柴 建 ， 王亞茹* ， KIN Keung-lai

(1.西安電子科技大學(xué) 經(jīng)濟(jì)與管理學(xué)院，陜西 西安 710126; 2.陜西師范大學(xué) 國際商學(xué)院，陜西 西安 710062； 3.香港城市大學(xué) 管理科學(xué)系，香港 999097)

0 引言

當(dāng)前，化石能源的過度使用加速了溫室效應(yīng)等氣候變化，《哥本哈根協(xié)議》之后，節(jié)能減排、走低碳經(jīng)濟(jì)之路成為各國應(yīng)對氣候變化的共識。中國承諾到2020年單位GDP二氧化碳排放比2005年下降40%～45%，實現(xiàn)減排目標(biāo)的有效措施是增加可再生能源和天然氣在一次能源消費者的占比。

相對于天然氣而言，可再生能源由于其特有的資源和環(huán)境優(yōu)勢，逐步成為眾多國家能源發(fā)展的戰(zhàn)略選擇[1]。近幾年內(nèi)，中國的可再生能源在能源結(jié)構(gòu)中的比重不斷上升，從“十一五”初的6.5%提高到了2015年的11.8%?？稍偕茉磳μ烊粴庀M產(chǎn)生一定的替代效應(yīng)從而抑制天然氣需求量的增加。另一方面，中國天然氣在一次能源中的比率經(jīng)過幾年的努力從2.7%提高到4%左右，在2015年天然氣門站價下調(diào)以后，2016年中國天然氣消費量顯著增長，隨著天然氣行業(yè)市場化進(jìn)程的推進(jìn)，國內(nèi)氣價仍有下調(diào)空間，這將刺激未來天然氣需求量增加。綜上所述，未來中國天然氣消費量變化情況難以確定。因此，對中國天然氣未來的消費量進(jìn)行準(zhǔn)確的預(yù)測是十分必要的。與此同時，隨著國家經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，影響天然氣消費的不確定性因素也在增加。但以前與天然氣消費預(yù)測相關(guān)的文獻(xiàn)考慮的影響因素較少，難以準(zhǔn)確的分析與預(yù)測未來的天然氣消費情況。因此，從全方位多角度考慮天然氣消費影響因素，研究未來天然氣消費情況具有十分重要的現(xiàn)實意義[2]。

1 文獻(xiàn)綜述

天然氣需求量預(yù)測作為能源領(lǐng)域的重要研究內(nèi)容，引起了學(xué)術(shù)界的廣泛關(guān)注。就相關(guān)的問題，本文從多個角度與層次對天然氣消費問題進(jìn)行分析。主要的研究集中在以下兩方面：

(1)天然氣消費影響因素:影響能源消費的主要有經(jīng)濟(jì)增長，人口狀況，經(jīng)濟(jì)結(jié)構(gòu)，能源價格等因素。Shahbaz等[3]通過建立了一個包含有投資、就業(yè)人數(shù)、出口影響因素在內(nèi)的多元框架模型，探討了巴基斯坦天然氣消費與經(jīng)濟(jì)增長的關(guān)系。結(jié)果表明經(jīng)濟(jì)的增長促進(jìn)天然氣消費量的增加。?zge Dilaver等[4]利用1978～2011年OECD歐洲年度數(shù)據(jù)建立了結(jié)構(gòu)時間序列模型，分析得到天然氣消費量的收入與價格彈性分別是1.19和-0.16?？梢钥闯鍪杖胧翘烊粴庀M量的促進(jìn)型因素而價格則是抑制型因素。Wang等[5]將協(xié)整檢驗和誤差修正模型應(yīng)用于分析居民、商業(yè)、工業(yè)三個不同行業(yè)的天然氣消費量與價格之間的關(guān)系，結(jié)果發(fā)現(xiàn)在長期看來，居民的天然氣消費量的價格彈性大于其他行業(yè)。綜合分析相關(guān)文獻(xiàn)，影響天然氣消費的因素主要有經(jīng)濟(jì)發(fā)展水平、國家人口狀況、產(chǎn)業(yè)結(jié)構(gòu)、天然氣價格水平、能源結(jié)構(gòu)等。

(2)預(yù)測方法：Rodger等[6]和Szoplik[7]利用天然氣消費量的數(shù)據(jù)建立了人工神經(jīng)網(wǎng)絡(luò)模型，從而分析與預(yù)測天然氣消費量的季節(jié)性趨勢。最終結(jié)果顯示，人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)果令人滿意。Yu等[8]通過廣泛的分析比較BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的幾種組合，他們發(fā)現(xiàn)附加動量因子改進(jìn)模型，為短期燃?xì)庳?fù)荷預(yù)測提供了較為理想的解決方案。Bianco等[9]利用意大利1990～2011年GDP、天然氣價格、溫度與非住宅天然氣消費量的數(shù)據(jù)建立了回歸方程，預(yù)測到2030年意大利的非住宅天然氣消費量將達(dá)到320～430億立方米。Bianco等[10]利用1990～2012年意大利的人口、國內(nèi)生產(chǎn)總值(GDP)、供暖天數(shù)、住宅部門的天然氣消費量和價格建立了多元線性模型對意大利住宅天然氣消費量進(jìn)行預(yù)測。預(yù)測到2030年天然氣的消費量較1990年的消費量翻一番。盧全瑩等[11]首先利用通徑分析篩選出天然氣消費的核心影響因素，發(fā)現(xiàn)人口和城鎮(zhèn)化率是天然氣消費的主要推動因素，GDP是天然氣消費的主要限制因素。然后，運用智能算法RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型對我國天然氣消費進(jìn)行分析和預(yù)測，結(jié)果表明“十二五”末，中國天然氣消費量將近178 532.1百萬立方米，2020年中國天然氣消費量將近261 853.0百萬立方米。Zeng等[12]利用2002～2014年的數(shù)據(jù)構(gòu)建了自適應(yīng)智能灰色預(yù)測模型(SIGM)，結(jié)果顯示模型模擬效果良好，預(yù)測結(jié)果顯示2015～2020年天然氣消費量急速增加。Wang等[13]分別利用多循環(huán)Hubbert模型和GM(1，1)模型對中國天然氣產(chǎn)量和消費量進(jìn)行預(yù)測，實證結(jié)果表明，未來的供需缺口將越來越大。在影響因素選擇方面，文獻(xiàn)中的預(yù)測模型考慮的因素個數(shù)較少，預(yù)測結(jié)果難以準(zhǔn)確；其次，由于單個模型自身的適用性和限制性，預(yù)測目標(biāo)所處環(huán)境及趨勢發(fā)展的不確定性，使得僅僅使用單一模型進(jìn)行預(yù)測分析的風(fēng)險加大。

關(guān)于組合預(yù)測模型，Bates等[14]在研究航空旅客數(shù)據(jù)時，最早提出了使用模型組合的方法進(jìn)行預(yù)測分析，結(jié)果表明組合預(yù)測模型方法優(yōu)于任何單一模型。該文引發(fā)了二十世紀(jì)七十年代大量關(guān)于模型組合理論的研究及應(yīng)用。Xu等[15]利用2009～2015年中國天然氣消費量的數(shù)據(jù)，將二階多項式曲線模型與移動平均模型相結(jié)合建立了PCMACP模型，對中國天然氣消費量進(jìn)行預(yù)測分析，最終模型所得的平均誤差為3.82%，明顯低于二階多項式曲線模型與移動平均模型的平均誤差。柴建等[16]在模型選擇的基礎(chǔ)上，基于單變量( ETS、ARIMA 模型) 和多變量( 情景分析) 兩個維度，在給予三個模型同等權(quán)重的基礎(chǔ)之上建立了組合模型，進(jìn)行電力需求量分析及預(yù)測。Xu等[15]所建立的組合模型，相對于單一模型而言，雖然在精度上有所提高，但是該組合模型只是考慮了兩個單一模型，且其考慮的影響天然氣消費的因素較少，因此其預(yù)測精度難以達(dá)到準(zhǔn)確。BMA方法則使用模型后驗概率加權(quán)平均備選模型，其理論依據(jù)較強(qiáng)。陳偉、牛霖琳[17]均在中國宏觀經(jīng)濟(jì)預(yù)測中使用了貝葉斯模型平均法(BMA)，預(yù)測結(jié)果表明BMA預(yù)測精度高于其他單一模型。

在總結(jié)前人研究的基礎(chǔ)上，本文通過分析經(jīng)濟(jì)發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)、人口狀況、能源結(jié)構(gòu)、天然氣產(chǎn)業(yè)的投資、能源加工轉(zhuǎn)換效率等情況，提取了12個變量作為影響天然氣消費的解釋變量，并抽選出相關(guān)文獻(xiàn)中常用的6個變量用以構(gòu)建基準(zhǔn)BMA模型，基于此，逐次增加其他相關(guān)變量建立一個BMA模型集合，對比分析后從中選取預(yù)測精度最高的模型對未來中國天然氣消費量進(jìn)行預(yù)測，這也是本文的創(chuàng)新之處。以往文章或者只建立單一模型進(jìn)行因素分析；或者考慮到的影響因素太少，并不能全面的整合影響天然氣消費的因素；或者預(yù)測模型中選取的影響因素只是憑借經(jīng)驗之談，缺乏必要的實證分析。

2 模型描述

現(xiàn)代各種預(yù)測模型多是對已知數(shù)據(jù)的分析，通過找到已知數(shù)據(jù)的內(nèi)在規(guī)律與相互依賴關(guān)系，從而獲得對未知數(shù)據(jù)預(yù)測能力。這通常是在樣本數(shù)據(jù)足夠多的情況下，在樣本數(shù)據(jù)比較少的情況下，預(yù)測效果往往不甚理想。例如，在樣本數(shù)少于變量數(shù)的情況下，采用常規(guī)回歸方法分析各個解釋變量對因變量的作用時，得到的系數(shù)通常不穩(wěn)定，其預(yù)測結(jié)果不可靠，此時需采用分階段分批逐步回歸的篩選方法，調(diào)整樣本數(shù)與變量數(shù)間的對比關(guān)系，彌補樣本數(shù)不足的情況，從而獲得較為理想結(jié)果。

在商業(yè)、工程、軍事等各個領(lǐng)域中小樣本數(shù)據(jù)是廣泛存在的，由于可獲得的樣本量較少，所以通過僅有的小樣本數(shù)據(jù)獲得新信息的難度也比較大。因此利用小樣本數(shù)據(jù)進(jìn)行預(yù)測時，即在信息量有限情況下，需要適當(dāng)?shù)恼{(diào)整建模方法和利用高效的算法對潛在信息進(jìn)行挖掘，從而找出信息間的規(guī)律性，再利用此規(guī)律對未知數(shù)據(jù)信息進(jìn)行有效地預(yù)測。在已知的預(yù)測模型中，貝葉斯法通過把所求參數(shù)看成隨機(jī)變量，求得的后驗分布為參數(shù)的概率分布區(qū)間，再利用先驗分布，用小樣本數(shù)據(jù)得到概率估計值，該類模型的優(yōu)勢是通過充分利用各類先驗信息，從而可以降低對樣本容量的依賴程度，使得在相同評估精度要求條件下，需要利用的樣本容量可以相對減少。

與此同時，比起僅使用單一模型，貝葉斯模型平均法作為一種基于貝葉斯理論的將模型本身的不確定性考慮在內(nèi)的統(tǒng)計分析方法，其涵蓋的信息更加豐富，能更好地模擬現(xiàn)實經(jīng)濟(jì)體，因而用于預(yù)測時能夠提供更加貼近現(xiàn)實的預(yù)測值。自1978年 Leamer提出貝葉斯模型平均法的框架之后，除了在數(shù)學(xué)統(tǒng)計方面的應(yīng)用[18～20]，BMA也經(jīng)濟(jì)學(xué)上得到廣泛的應(yīng)用，如產(chǎn)量增長預(yù)測，匯率預(yù)測，股票收益的預(yù)測和預(yù)測通貨膨脹等[21～23]。

設(shè)y為綜合預(yù)測值，D為可獲得的已知數(shù)據(jù)，M1,M2,…,MR代表所有可能的模型，而哪一個模型是最佳模型事先并不知道，即模型本身存在著不確定性。

根據(jù)貝葉斯模型平均法的理論，綜合預(yù)測值y的后驗分布為：

(1)

其中，p(Mi/D)為在給定數(shù)據(jù)D的條件下模型Mi的后驗分布，其形式為：

(2)

(3)

解釋變量與天然氣消費量之間的關(guān)系并不一定是線性模型，在這里本文將變量的值進(jìn)行了對數(shù)化處理，所構(gòu)建的線性模型已經(jīng)體現(xiàn)了指數(shù)及冪函數(shù)的非線性關(guān)系。因此先假設(shè)單一模型為對原始數(shù)據(jù)進(jìn)行對數(shù)化處理后的線性模型，其設(shè)定如下表示：

(4)

其中，y=(y1,y2,…,yt)是天然氣消費量，xi為解釋變量，β=(β1,β2,…,βp)是參數(shù)向量。

有上述公式可知，BMA模型進(jìn)行建模分析數(shù)據(jù)的過程中，最重要的是計算出所有備選模型的后驗概率，即各個備選模型的權(quán)重。本文是通過利用貝葉斯信息準(zhǔn)則(BIC)來估計所有備選模型的后驗概率[24]。L(D/Mi,θi)是樣本數(shù)據(jù)D在模Mi的極大似然。如果是k模型中的參數(shù)個數(shù)，那么模型Mi上的BIC定義為：

(5)

式中，τ表示懲罰因子，L(D/Mi,θi)表示在給定模型Mi下樣本數(shù)據(jù)D的似然函數(shù)，且L(D/Mi,θi)為：

(6)

(7)

最后進(jìn)行預(yù)測精度的評價，本文使用RMSE(均方根誤差)來評價模型的預(yù)測精度。

(8)

3 模型應(yīng)用

3.1 數(shù)據(jù)描述

本文數(shù)據(jù)來自Wind數(shù)據(jù)庫，在解釋變量選擇方面，遵循如下兩個原則：其一，所選擇的變量均是近年來中國天然氣消費分析的實證研究領(lǐng)域中經(jīng)常出現(xiàn)的；其二，所選擇解釋變量的觀測數(shù)據(jù)具有較好的獲得性。由以上原則，本文選取了12個影響因素作為影響天然氣消費量的解釋變量。因素主要包含經(jīng)濟(jì)發(fā)展水平、產(chǎn)業(yè)組成結(jié)構(gòu)、替代品的市場占有率、天然氣產(chǎn)業(yè)的投資等，因此本文搜集了以下因素的2003～2016年度數(shù)據(jù)：(1)由于大部分天然氣在工業(yè)領(lǐng)域使用，且第二產(chǎn)業(yè)占國內(nèi)生產(chǎn)總值的比重較大，因此GDP中工業(yè)占比(%)是影響天然氣消費的重要因素；(2)經(jīng)濟(jì)的發(fā)展影響了中國的能源消費量，因此收集了GDP(億元)的數(shù)據(jù)；(3)能源具有不可再生性，因此其未來消費量的預(yù)測應(yīng)考慮該種天然氣的中國年產(chǎn)量(十億立方米)、天然氣對外依存度(%)；(4)煤炭、石油、可再生能源作為天然氣的替代品，其市場份額的占有率也是影響天然氣消費的主要因素，其次在低碳政策要求下，可再生能源是最具有影響力的，因此將煤炭、石油、可再生能源(核電、風(fēng)電、水電)占能源消費總量比重(%)納入模型進(jìn)行分析；(5)天然氣管道基礎(chǔ)設(shè)施建設(shè)能夠促進(jìn)居民生活天然氣消費量的增加，用氣人口增加，單位長度的管道服務(wù)的人口隨之增加，能夠促進(jìn)居民生活天然氣消費量的增加，天然氣管道基礎(chǔ)設(shè)施的建設(shè)大力促進(jìn)了天然氣的消費[24]。因此將分析天然氣管道長度與反映城市結(jié)構(gòu)變化的城鎮(zhèn)化率(城鎮(zhèn)人口占總?cè)丝诒嚷时硎?(%)，又由于天然氣生活消費主要是以戶為單位進(jìn)行消費的，因此年底總戶數(shù)(戶)也是影響天然氣消費量主要因素之一。(6)技術(shù)進(jìn)步提高能源利用效率而從而節(jié)約能源[25]，能源加工轉(zhuǎn)換率的增加能夠提高天然氣利用效率從而限制天然氣需求。因此預(yù)測模型中應(yīng)該考慮能源加工轉(zhuǎn)換效率的影響。(7)天然氣價格對天然氣消費有負(fù)效應(yīng)，因此預(yù)測模型中理應(yīng)納入價格因素，由于天然氣出廠價格之后的加成成本由政府行政控制，所以，出廠價格大致能反映天然氣的價格水平，該價格指數(shù)(燃?xì)馍a(chǎn)和供應(yīng)業(yè)出廠價格指數(shù))上升將抑制天然氣的需求。具體情況如表1所示。

根據(jù)數(shù)據(jù)的可得性，選取2003年到2016年數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，利用80/20法則，從這些數(shù)據(jù)中提取2003年到2013年數(shù)據(jù)子集建立BMA模型，2014年到2016年的數(shù)據(jù)驗證模型，然后滾動預(yù)測2017年到2022年的天然氣消費量。

表1 天然氣消費量的影響因素

注釋：0表示原始數(shù)據(jù)，1表示對數(shù)化處理，即ln(xi)。

3.2 模型設(shè)定

通過閱讀大量文獻(xiàn)發(fā)現(xiàn)，GDP、產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)、城鎮(zhèn)化率是預(yù)測天然氣消費量模型中出現(xiàn)頻率較高的影響因素[26～32]，除此之外天然氣價格、對外依存度、天然氣產(chǎn)量、天然氣管道長度、能源轉(zhuǎn)換效率、普查人口(總戶數(shù))也是影響天然氣消費量的因素[33～37]，但是這些因素在中國天然氣消費量預(yù)測模型中出現(xiàn)的概率較低或者從未被當(dāng)作解釋變量納入預(yù)測模型之中。因此本文首先構(gòu)建了包含6個常用影響因素的基準(zhǔn)模型，其次通過逐次添加利用頻率較低的因素方式建立了其余61個模型。表2是對各個模型設(shè)定的描述。

表2 模型設(shè)定描述

3.3 實證結(jié)果分析

本文利用R軟件基于貝葉斯信息準(zhǔn)則對所有的備選模型做了貝葉斯模型平均[38]。以均方根誤差作為評價模型預(yù)測精度指標(biāo)，各個模型的預(yù)測精度及相對于基準(zhǔn)模型而言預(yù)測精度變化如表3所示。

表3 模型預(yù)測精度

注釋：預(yù)測精度變化項中負(fù)號表示模型預(yù)測精度降低。

由表3可知，相對于基準(zhǔn)模型，除M2的預(yù)測精度下降12.5%以外，其余模型的預(yù)測精度均有所增加。若在基準(zhǔn)模型的基礎(chǔ)之上只增加一個解釋變量，加入天然氣管道變量反而降低了模型的預(yù)測精度，這可能是因為中國天然氣管道建設(shè)仍處于發(fā)展階段且由政府管控投資建設(shè)，該變量無法準(zhǔn)確的反應(yīng)天然氣市場變化；添加天然氣價格因素可以使得預(yù)測模型預(yù)測精度提升16.44%；添加對外依存度變量可以使得模型預(yù)測精度提升20.27%；添加能源加工轉(zhuǎn)換率可以使模型的預(yù)測精度提升9.53%；添加戶籍人口(總戶數(shù))解釋變量可使得模型的預(yù)測精度提升12.26%；添加中國天然氣年產(chǎn)量可使得模型預(yù)測精度提升18.32%。所有備選模型中M33的均方根誤差值最小，相對于基準(zhǔn)模型而言其預(yù)測精度提高了41.37%，因此本文利用M33對天然氣消費量進(jìn)行預(yù)測，該模型包含9個解釋變量，分別是GDP、產(chǎn)業(yè)結(jié)構(gòu)(工業(yè)占比)、占能源消費總量比重:原煤、占能源消費總量比重:原油、占能源消費總量比重:水電核電風(fēng)電、城鎮(zhèn)化率、天然氣價格、對外依存度、中國天然氣年產(chǎn)量。

在線性模型假設(shè)下，12個解釋變量使得備選模型空間達(dá)到212個。

表4中展示了各個解釋變量的BMA后驗概率大小，BMA后驗概率表示如果存在解釋天然氣消費量的“真正模型”，該解釋變量包含于“真正模型”中的概率。解釋變量的BMA后驗概率越大，表示該變量對于天然氣消費量的解釋力越強(qiáng)。從表2中可以看到，后驗概率最大的是x9(對外依存度)，這說明對外依存度可以彌補中國天然氣產(chǎn)量不足情況，從而保障天然氣市場的供應(yīng)量，影響市場中的消費量。x12(中國天然氣年產(chǎn)量)也是影響天然氣消費量的一個重要因素，其后驗概率是89.4%。排在第三、四位的是x6(城鎮(zhèn)化率)、x3(占能源消費比重：原煤)，它們的后驗概率分別是24.8%和20.5%，這說明城鎮(zhèn)化發(fā)展使得天然氣基礎(chǔ)設(shè)施更健全，居民生活所需天然氣更容易滿足，從而擴(kuò)大天然氣消費量；中國煤炭在能源結(jié)構(gòu)中的比例雖有所下降，但其仍是主力能源對天然氣會產(chǎn)生較大的替代效應(yīng)。其次x4(占能源消費比重：原油)、x5(占能源消費比重：水電、核電、風(fēng)電)、x2(產(chǎn)業(yè)結(jié)構(gòu))的后驗概率也相對較大，這表明天然氣消費量也受產(chǎn)業(yè)結(jié)構(gòu)與能源結(jié)構(gòu)的影響。

表4 解釋變量后驗概率

表5是單一模型的BMA后驗概率排名前五位模型列表。根據(jù)所獲得的4096個模型，進(jìn)行貝葉斯模型平均后所得到的累計總后驗概率的1。且所有備選模型中后驗概率最大的模型包含x12(天然氣年產(chǎn)量)、x9(對外依存度)兩個變量，該最大后驗概率達(dá)到20.5%；其余四個模型的后驗概率均為5.5%，除都包含x12(天然氣年產(chǎn)量)、x9(對外依存度)外，還分別含有x1(GDP)、x2(產(chǎn)業(yè)結(jié)構(gòu))、x3(占能源消費總量比重：原煤)、x4(占能源消費總量比重：原油)。假設(shè)以后驗概率最大的模型作為“真正模型”解釋天然氣消費量，其錯誤概率將達(dá)到79.5%，這說明沒有哪個單一模型能夠以很大的概率證明自己可以代表“真正模型”，表明了單一模型的不確定性，同時也證明了貝葉斯模型平均方法的重要性。因此所有解釋變量對天然氣消費量的的解釋力度不能夠通過單一模型計算出來的統(tǒng)計量判斷，而應(yīng)通過貝葉斯模型平均方法下計算出的回歸系數(shù)進(jìn)行判斷。

利用各個單一模型的后驗概率加權(quán)平均后所得到的回歸模型為：

y=-1.5971+0.0024x1-0.0006x2

+0.1251x3-0.0562x4+0.0087x5+0.5411x6

-0.0013x7+0.0114x9+0.08643x12

回歸模型中系數(shù)最大的是x12(天然氣年產(chǎn)量)，其次是x6(城鎮(zhèn)化率)，x12變動1個百分點，天然氣消費量同方向變動0.8643個百分點；x6變動1個百分點，天然氣消費量同方向變動0.5411個百分點。

表5 BMA模型中最優(yōu)的5個模型

本文根據(jù)80/20法則將2003年至2013年的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)建立BMA模型，2014年至2016年數(shù)據(jù)作為預(yù)測集數(shù)據(jù)驗證模型的預(yù)測精度。建立模型后對2014至2016年天然氣消費量進(jìn)行滾動預(yù)測，預(yù)測值及真實值如表6所示：

表6 2014至2016年天然氣消費量的預(yù)測值及真實值(億立方米)

在單變量預(yù)測方面主要是時間序列預(yù)測，時間序列預(yù)測用的最多的是平滑預(yù)測模型和ARIMA預(yù)測模型；對于多元線性回歸的變量預(yù)測，逐步回歸是指在建立多元回歸方程的過程中，逐次選擇最優(yōu)的變量納入模型，逐步回歸是變量最優(yōu)組合；BVAR模型通常在短期預(yù)測時能夠提供更高的預(yù)測精度；等權(quán)重加權(quán)平均法避免了使用單一預(yù)測模型的缺陷，是在組合預(yù)測中較為流行的方法。上述五種模型均是其各自領(lǐng)域的代表性模型，所以為了檢測貝葉斯模型方法的預(yù)測效果，與ARIMA模型、單變量指數(shù)平滑模型、多變量逐步線性回歸模型、多變量非線性的BVAR模型以及這四個模型等權(quán)重加權(quán)組合模型的結(jié)果進(jìn)行對比分析。為了說明BMA模型的預(yù)測精度情況，接下來以RMSE為評判標(biāo)準(zhǔn)。

具體情況如表7所示：

表7 不同模型的RMSE

表7中，BMA模型的RMSE最小，以RMSE表示模型的預(yù)測精度，以ai=(RMSEBMA-bi)/bi表示相對于其他模型而言BMA的預(yù)測精度提高百分率，其中bi(i=1,2,3,4,5)分別表示逐步回歸模型(b1)、ARIMA模型(b2)、ETS模型(b3)、BVAR模型(b4)、以及簡單加權(quán)平均模型(b5)的RMSE值，BMA模型提高的預(yù)測精度百分比最低為19.24%，最高可達(dá)83.91%。這表明BMA的預(yù)測效果比ETS模型、BVAR模型、逐步回歸模型、簡單平均模型的效果好。

從世界經(jīng)濟(jì)信息網(wǎng)可以得到中國GDP的2017～2020年的預(yù)測值，預(yù)計2020年中國GDP將達(dá)到989110億元，在世界排名第二。我國國內(nèi)生產(chǎn)總值在2017 年達(dá)到785770億元，年均增長7%，故本文以7%的增長率計算GDP 變化量。中商產(chǎn)業(yè)研究院發(fā)布的《2015～2020年中國天然氣行業(yè)發(fā)展分析及投資研究報告》顯示，中國天然氣產(chǎn)量由2010年的958億立方米增加至2015年的1350億立方米，2010年至2015年的復(fù)合年均增長率為7.1%，2020年中國天然氣產(chǎn)量將達(dá)1861億立方米，2022年中國天然氣年產(chǎn)量將達(dá)到2129.36億立方米。蘭海強(qiáng)[39]等人首先對我國城鎮(zhèn)化率歷史數(shù)據(jù)在統(tǒng)計口徑上進(jìn)行修正，然后又分別對四種傳統(tǒng)的預(yù)測方法進(jìn)行改進(jìn)，最后基于修正的我國城鎮(zhèn)化率歷史數(shù)據(jù)運用改進(jìn)的四種方法對中國城鎮(zhèn)化率進(jìn)行了預(yù)測。四種預(yù)測結(jié)果相互印證，由結(jié)果分析得出結(jié)論：中國2020年城鎮(zhèn)化率將達(dá)到63.76%。萬廣華[40]等預(yù)測到2030年中國城鎮(zhèn)化率降達(dá)到80%。按照這個預(yù)期，城鎮(zhèn)化的年增長率將達(dá)到2.4%左右，本文以增長率2.4%的標(biāo)準(zhǔn)來設(shè)定2017～2022 年中國的城鎮(zhèn)化率。由上述單變量預(yù)測模型比較可知，ARIMA模型的預(yù)測精度高于指數(shù)平滑模型，因此根據(jù)歷史信息利用ARIMA模型對其余的解釋變量進(jìn)行滾動預(yù)測。

結(jié)合上述信息得到的解釋變量的預(yù)測值，利用構(gòu)建的BMA模型與情景分析方法，對2017年至2022年天然氣消費量進(jìn)行預(yù)測，預(yù)測情況如表8所示。

表8 天然氣消費量的預(yù)測值(億立方米)

十三五期間，國家層面的能源結(jié)構(gòu)優(yōu)化和環(huán)境污染治理成為天然氣消費最主要的推動力，體現(xiàn)了中國對于天然氣發(fā)展的重視。按照國務(wù)院《能源發(fā)展戰(zhàn)略行動計劃(2014～2020年)》，天然氣消費市場需求強(qiáng)勁，到2020年天然氣在一次能源消費中的比重將提高到10%以上，天然氣消費量將達(dá)到4100億立方米。

但是，隨著國家經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，影響天然氣消費的不確定性因素也在增加，主要體現(xiàn)在兩個方面。第一，宏觀經(jīng)濟(jì)增長對天然氣消費的驅(qū)動力減弱，很多用氣行業(yè)面臨著效益下降、產(chǎn)能過剩等問題，不僅投資更換燃?xì)庠O(shè)備存在困難，而且對用氣成本的波動更加敏感，導(dǎo)致用戶煤改氣、油改氣的意愿大幅減弱。第二，天然氣行情上行和國際油價的下探均會對天然氣消費起到抑制作用。隨著國際油價的一路下探，天然氣相對成品油的優(yōu)勢正在逐漸減弱，同時由于與煤炭的差價不斷擴(kuò)大，天然氣在電力、化肥等行業(yè)已完全喪失競爭力。2014年，中國天然氣市場已經(jīng)出現(xiàn)區(qū)間性、階段性的供大于求的局面。

綜合考慮各種因素，本文預(yù)計十三五末我國天然氣消費增速將下滑，2020年的天然氣消費量將達(dá)到2842.43億立方米，低于國務(wù)院發(fā)展研究中心的預(yù)測期望值。到2022年天然氣消費將為3254.15億立方米，年均增長率為8%。(見表8)。

4 結(jié)論

本文通過對天然氣消費影響因素的深入剖析，選取了12個解釋變量進(jìn)行研究，從中選取6個常用的解釋變量構(gòu)建基準(zhǔn)BMA模型，在此基礎(chǔ)上，以逐次添加變量的方式創(chuàng)建了預(yù)測模型集合，從中選取預(yù)測精度最優(yōu)的模型對2017年至2022年的天然氣消費量進(jìn)行預(yù)測。

研究發(fā)現(xiàn)，在現(xiàn)有的數(shù)據(jù)條件下，最優(yōu)的BMA模型包含GDP、產(chǎn)業(yè)結(jié)構(gòu)(工業(yè)占比)、占能源消費總量比重:原煤、占能源消費總量比重:原油、占能源消費總量比重:水電核電風(fēng)電、城鎮(zhèn)化率、天然氣價格、對外依存度、中國天然氣年產(chǎn)量9個解釋變量，相對于基準(zhǔn)模型而言該模型的預(yù)測精度提高了41.37%，其中中國天然氣年產(chǎn)量、對外依存度對天然氣消費量的影響最大。本文通過逐次添加變量的方式定量分析具體添加變量后，模型預(yù)測精度的提升百分率，克服了現(xiàn)有預(yù)測模型在解釋變量選擇方面的不確定性。同時BMA方法通過計算后驗概率并以此為權(quán)重對所有的備選模型進(jìn)行加權(quán)平均，從而在利用所有得到的模型處理模型選擇中的不確定性問題，克服了現(xiàn)有的單一模型方法與簡單加權(quán)平均方法的不足。在預(yù)測精度方面，BMA比單變量的平滑指數(shù)模型、多變量的逐步回歸模型、多變量非線性的BVAR模型、以及等權(quán)組合模型的預(yù)測效果更好，由此可見貝葉斯模型平均法在理論上與實證分析上均優(yōu)于單一預(yù)測模型與簡單組合模型。由BMA模型預(yù)測2020年中國天然氣消費量將要達(dá)到2842.43億立方米，低于國務(wù)院研究發(fā)展中心預(yù)測的4100億立方米，到2022年中國天然氣消費量將達(dá)到3254.15億立方米，年均增長率將達(dá)到8%。