王海運，陳夢潔，洪欣琪

（安徽財經大學，安徽 蚌埠 233000）

引言

我國煤炭的消耗量一直以來居于能源消耗首位，煤炭在短期內會一直是我國不可替代的主體能源，因此煤炭行業(yè)的穩(wěn)健發(fā)展十分重要。此外煤炭行業(yè)的發(fā)展關系到使用煤炭作為能源的各行各業(yè)，同樣關系到國家能源結構是否可以得到有效調整。為了更好地研究煤炭業(yè)發(fā)展現(xiàn)狀，使用煤炭價格作為反映煤炭業(yè)發(fā)展情況的指標，通過預測煤炭價格的走勢分析煤炭業(yè)發(fā)展狀況，提出煤炭業(yè)目前存在的問題以及相應的建議。煤炭的價格受到很多因素的影響，且價格的波動較大，自2012年開始，煤炭價格出現(xiàn)了下跌的趨勢，在2017年后價格又趨于穩(wěn)定。

煤炭價格的影響因素有很多，王延偉等基于供求理論將煤炭價格影響因素分為內部供需影響因素和市場外部影響因素，研究煤炭價格走勢與影響因素之間的關系[1]。王仕忠構建煤炭價格影響因素層次體系，結合供需關系探究影響煤炭價格的根本因素[2]。朱吉茂從供需、價值、進口和政策四個方面分析了煤炭價格的影響因素，基于影響因素對長期煤炭價格進行了預測[3]。袁顯平等基于供給、需求、運輸和庫存的視角，結合VAR模型與格蘭杰因果檢驗對煤炭價格的影響因素進行了研究[4]。可以發(fā)現(xiàn)現(xiàn)有文獻大都基于供求理論對煤炭價格影響因素進行探究，很少有研究結合宏觀數(shù)據(jù)以及調控政策探究煤炭價格的影響因素，綜合考慮各種影響因素可能會使煤炭價格的預測更加準確。

關于煤炭價格預測方面，王廣成等采用隨機序列線性模型對煤炭價格進行預測，但是該模型只可以用于短期預測，進行長期預測時會出現(xiàn)較大的誤差[5]。為了對煤炭價格進行長期預測，王喜蓮建立了煤炭價格函數(shù)，使用IPO定理進行求解，再結合計算機VC語言進行編程，對陜西省煤炭價格進行了預測，但是該方法的使用范圍具有局限性，很難處理數(shù)據(jù)多的情形[6]。許晴等使用了基于因素分析的向量機模型對煤炭價格進行預測，研究結果表明該模型的預測效果較好，但是該方法不能考慮多種影響因素[7]。李朋林等使用BP神經網絡對煤炭價格建模，預測結果表明預測精度較高，適合使用該模型對煤炭價格進行預測[8]，但是該模型沒有考慮突發(fā)事件對煤炭價格的影響。

目前對煤炭價格的研究，已有的文獻大都單一地研究影響因素或者單一地進行煤炭價格預測，將影響因素對煤炭價格預測結合的研究較少，還沒有學者研究出在二者結合的基礎上加入突發(fā)事件對煤炭價格結構性變化預測模型。

一、影響因素分析

通過對經濟意義分析和眾多文獻的參考初步選定了以下14個對煤炭價格產生影響的因素：國內生產總值（GDP）、第二產業(yè)增加值（aos）、第二產業(yè)固定資產投資完成額累計值（aoc）、燃料動力類工業(yè)生產者購進價格指數(shù)（PPP）、消費者信心指數(shù)（CCI）、煤及褐煤出口額（cle）、公路水路運輸業(yè)全社會固定資產投資完成額累計值（ic）、居民消費價格指數(shù)（CPI）、公共預算支出（pbe）、公共預算收入（pbr）、稅收收入（tax）、貨幣供應量（M2）、城鄉(xiāng)收入差距（uig）和恩格爾系數(shù)（eng），數(shù)據(jù)來源于中經網統(tǒng)計數(shù)據(jù)庫、國泰安數(shù)據(jù)庫、海關總署官網數(shù)據(jù)庫和中華人民共和國交通運輸部官網數(shù)據(jù)庫。

國內生產總值（GDP）：國內生產總值的提高代表著對能源有更大的需求，所以選擇國內生產總值作為煤炭價格的影響因素。

第二產業(yè)增加值（aos）：第二產業(yè)發(fā)展與能源消費密切相關。煤炭是第二產業(yè)的關鍵產能，因此將第二產業(yè)增加量作為影響煤炭價格的關鍵因素。

第二產業(yè)固定資產投資完成額累計值（aoc）：固定資產投入產生的成本與產能之間的矛盾，對能源價格以及行業(yè)發(fā)展都會產生深遠的影響。因此引入第二產業(yè)固定資產投資完成額累計值作為影響煤炭價格的主要因素。

燃料動力類工業(yè)生產者購進價格指數(shù)（PPP）：當指數(shù)高于同期工業(yè)生產者出廠價格指數(shù)時，表明企業(yè)經營壓力增加，利潤空間被進一步壓縮。

消費者信心指數(shù)（CCI）：綜合反映并量化消費者對目前經濟走勢的預測評判和對未來收入及消費心理狀態(tài)的主觀感受。

煤及褐煤出口額（cle）：煤炭作為資源型物資,維持著一個國家基建運轉生產，所以煤及褐煤出口額的變動影響煤炭價格的變動。

公路水路運輸業(yè)全社會固定資產投資完成額累計值（ic）：我國煤炭運輸?shù)姆绞接泻芏喾N，基本上依靠公路和水路運輸，當其中固定資產投入較多時會更加便捷地降低成本，對煤炭價格產生影響。

居民消費價格指數(shù)（CPI）：消費者物價指數(shù)水平不僅反映消費者的購買能力，與國民生產水平反映經濟水平波動類似，影響煤炭價格。

公共預算支出（pbe）：公共財政支出能夠提供資金支持，特別是基于第二產業(yè)的行業(yè)屬性。政府的支持對行業(yè)的發(fā)展進步促進作用明顯，更是對能源價格有著顯著的影響。

公共預算收入（pbr）：煤炭產業(yè)所產生的關鍵問題便是污染問題，政府通過調整公共預算收入能夠影響煤炭產量進而影響煤炭價格。

稅收收入（tax）：當政府對煤炭企業(yè)征稅時，企業(yè)可用于生產的資金減少，產量下降，必然對其價格產生影響。稅收作為政府的財政政策，聯(lián)動影響力較大，所以政府對稅收的調整較為慎重。

貨幣供應量（M2）：一國在某一時期內為社會經濟運轉服務的貨幣存量可能對煤炭價格產生影響，貨幣供給量增加會導致居民消費增加，因此廠商會增加生產，從而導致煤炭消耗量增加。

城鄉(xiāng)收入差距（uig）：衡量我國城鎮(zhèn)居民收入與農村居民收入之差，是制約經濟均衡發(fā)展的關鍵因素。其計算公式為uig=Ic-In，其中，Ic代表城市居民收入水平，In代表農村居民收入水平。

恩格爾系數(shù)（eng）：恩格爾系數(shù)為食品支出占總消費支出的比例，隨收入變化而變化，其計算公式為：恩格爾系數(shù)=（食品支出總額/家庭或個人消費支出總額）*100%，一般恩格爾系數(shù)與家庭生活貧困程度呈反比。

二、模型的建立

（一）煤炭價格數(shù)據(jù)說明

秦皇島是全球最大的煤炭輸出港口，選取2006年7月—2020年4月的秦皇島港動力煤周度價格進行預測，圖1為秦皇島港動力煤周度價格的波動曲線。從圖1可以看出煤炭價格在2015年以前的波動較大，在2017年過后價格逐漸趨于平穩(wěn)。因此現(xiàn)階段對煤炭價格進行預測，能夠更好地貼合未來的實際價格，研究具有實際意義。

圖1 秦皇島動力煤周度價格曲線

（二）灰色關聯(lián)度及相關系數(shù)選取影響煤炭價格的指標

為了能更好地預測煤炭價格，將同時考慮灰色關聯(lián)度[9]γ關聯(lián)度和相關系數(shù)γ相關系數(shù)，建立綜合系數(shù)γ，通過γ值的排序，選取關聯(lián)度最高的10個指標作為煤炭價格的影響因素，綜合系數(shù)γ形式為：

各指標的γ值見表1。

表1 各指標的γ值

根據(jù)該綜合系數(shù)γ值的排序選取了最為重要的10個指標作為煤炭價格的影響因素，并對指標進行分類，見圖2。

圖2 煤炭價格影響因素及其分類

通過得到的影響因素指標可以看出，煤炭價格受多種因素影響，這些影響可以分成宏觀經濟類、調控政策類以及生活水平三類。通過綜合系數(shù)γ值發(fā)現(xiàn)煤炭價格受到宏觀經濟的影響最大，且煤及褐煤出口額的綜合系數(shù)γ值最大，說明煤炭出口價格與國內煤炭價格聯(lián)系緊密。此外調控政策和生活水平都對煤炭價格產生影響，調控政策中的貨幣發(fā)行量與煤炭價格的關聯(lián)度最高，生活水平中的居民消費價格指數(shù)與煤炭價格的關聯(lián)度最高，這兩者都會導致消費者的消費增加，這樣會使廠商的生產增加，從而導致煤炭的消耗量增加。

（三）因子分析

因為選取的影響因素比較多，需通過因子分析在許多變量中找出隱藏的具有代表性的因子。使用降維技術將相同本質的變量歸入一個因子，對存在多重共線性的變量進行因子提取，然后對因子變量進行回歸模型的建立，解決由于多重共線性而造成偽回歸方程的問題[10]。為了檢驗因子分析是否可用，對指標進行了KMO檢驗和Bartlett球形檢驗，結果見下表2。

表2 KMO檢驗和Bartlett球形檢驗

由KMO檢驗和Bartlett球形檢驗結果得出：KMO檢驗值為0.795，適合做因子分析；Bartlett球形檢驗結果值為125.112286，且其對應的相伴概率值為0，小于0.01，應拒絕零假設H0，認為相關系數(shù)不可能是單位陣，即原始變量間存在相關性。兩項結果均顯示適合做因子分析。

對因子提取和因子載荷矩陣求解，首先將原有變量數(shù)據(jù)進行標準化處理，然后計算變量的簡單相關系數(shù)矩陣R，最后求相關系數(shù)矩陣R的特征值λ和單位特征向量μ。

因子分析利用上述P個特征值λ和P個單位特征向量μ，并在此基礎上計算因子載荷矩陣：

根據(jù)特征值和因子的累計方差貢獻率確定因子數(shù)，選取前k個因子的因子載荷矩陣，結果如表3。

表3 因子的累計方差貢獻率

由方差的百分比可得，前三個因子的百分比貢獻已經超出了80%，達到了85.660%，因此可以說明這三個因子包含了第二節(jié)指標中的絕大部分信息，因此可以將10個指標轉化成三個綜合因子，通過綜合因子探究各影響因素與煤炭價格之間的關系。根據(jù)旋轉后的因子矩陣計算因子得分，得到綜合因子與原指標之間的線性關系，并對其進行命名和解釋，因子得分的結果見下表4。

表4 因子得分

續(xù)表4

由表4可得下列三個綜合因子對應的因子方程，如下：

（四）BP神經網絡

使用基于LM算法的BP神經網絡對樣本進行訓練[11]，其BP神經網絡的網絡拓撲結構見圖3。

圖3 BP神經網絡的網絡拓撲結構圖

設BP網絡的輸入層有n個節(jié)點，隱層有q個節(jié)點，輸出層有m個節(jié)點，輸入層與隱層之間的權值為νkj，隱層與輸出層之間的權值為wjk，如圖3所示。隱層的傳遞函數(shù)為f1(·)，輸出層的傳遞函數(shù)為f2(·)，則隱層節(jié)點的輸出為（將閾值寫入求和項中）：

輸出層節(jié)點的輸出為：

BP網絡完成n維空間向量對m維空間向量的映射。

根據(jù)以上原理，可以將人工神經網絡[3]計算過程歸納為如下幾步：

1.初始值選擇w(0)；

2.前向計算，求出所有神經元的輸出：ak(t)；

3.對輸出層計算δ：δj=(tj-aj)aj(1-aj)；

5.計算并保存各權值修正量：△wji(t)=-ηδjaj；

6.修正權值：wij(t+1)=wij(t)+△wji；

7.判斷是否收斂，如果收斂則結束，不收斂則轉至步驟3。

初次建模先抽樣70%作為訓練樣本，用于完成自學習構建神經網絡模型，30%作為支持樣本，用于評估所建立模型的性能，暫不分配檢驗樣本。結果顯示測試相對錯誤率為33.2%，所以第二次分析新增檢驗樣本21.8%，支持樣本為32%，相對錯誤率降至5.7%，輸出最終的模型結果。

模型包括1個輸入層、1個隱藏層和1個輸出層，輸入層神經元個數(shù)4個，隱藏層神經元個數(shù)4個，輸出層神經元個數(shù)1個。利用已提取出的三個因子對煤炭價格進行預測。預測到2020年12月30日的周度數(shù)據(jù)，預測的結果見圖4。

圖4 煤炭價格預測圖

從圖4可以看出，2020年煤炭價格總體沒有較大的浮動，煤炭價格在490—550元浮動，說明我國煤炭行業(yè)的改革政策已有成效，煤炭價格波動總體在一個合理的區(qū)間，沒有極端值的出現(xiàn)。

（五）價格極差的走勢

考慮到要研究煤炭價格影響因素在結構性和重要性方面的變化，擬對煤炭價格變化進行分段研究，利用價格極差模型選取極差較大的區(qū)間，再結合極差的趨勢，對每個區(qū)間分別進行因子分析，比較不同區(qū)間因子值的變化，得到各種情況引起的煤炭價格影響因素在結構性方面的改變。將可以分析價格結構性的價格極差與BP神經網絡分析結合，為了使模型能夠更好地擬合，在模型中引入示性函數(shù)1ω(·)，當未來有影響煤炭價格事件ω發(fā)生時，示性函數(shù)1ω(·)的取值為1，否則取值為0。建立基于價格極差并引入示性函數(shù)的BP神經網絡價格預測模型。

先來看一下價格極差的簡單性質，已經得到t-1之前的信息，假定在第t天內煤炭價格的對數(shù)1npt,r的變化滿足無漂移的擴散過程，即在［t-1，t］這段時間內1npt,r滿足d1npt,r=σdWr(t-1≤r≤t)[12]，此時就可以得到第t天內的價格極差Xt，然后根據(jù)極值出現(xiàn)的順序將極差分為Xt+，稱之為正向極差（極大值出現(xiàn)在極小值的前面），Xt-稱之為負向極差（極小值出現(xiàn)在極大值的前面），Xt+和Xt-的計算公式分別為：

選取2019年5月—2020年4月的煤炭價格作為研究對象，區(qū)間長度選擇為30天，得到了每個區(qū)間的極差，見表5。

表5 價格極差表

為了對影響因素的來源進行解釋，根據(jù)之前的影響因素指標分類，得到了下列三個表格,分別為宏觀經濟因子表、調控政策因子表、生活水平因子表，見表6、表7、表8。

表6 宏觀經濟因子表

表7 調控政策因子表

表8 生活水平因子表

分情況對Xt+和Xt-繪制出極差值與因子數(shù)據(jù)圖，為了方便觀測，每個因子乘以10，見圖5、圖6。

圖5 Xt+與因子走勢圖

圖6 Xt-與因子走勢圖

不難發(fā)現(xiàn)正向極差與宏觀調控因子以及生活水平因子的走勢都很接近，而負向極差和調控政策因子的走勢圖更加一致，說明價格極差的走勢與價格結構性變化擁有相同的趨勢。

此外，因為突發(fā)事件的影響，煤炭的價格極差走勢在8、9、10區(qū)間發(fā)生了變化，由正向極差轉向了負向極差，此時煤炭價格的主要影響因素轉化為調控因子，這很好地貼合了實際，因此可以結合極差走勢更好地研究煤炭價格變化的影響因素。

（六）結合價格極差走勢的綜合煤炭價格預測模型

多種因素都會影響煤炭價格，導致價格常年處于反復波動的狀態(tài)。為了更好地對價格進行預測，將得到的數(shù)據(jù)進行歸一化處理[13]，使得煤炭的價格在區(qū)間［0，1］內，處理的公式如下：

再對煤炭價格進行反歸一化處理：

接著建立如下模型：

其中，Y表示預測價格，Xn（n=1，2，3）表示因子，α、β、γ、η表示參數(shù)，et表示殘差，1ω（·）表示未來有影響煤炭價格事件ω是否發(fā)生的示性函數(shù)，Xt表示價格極差。

接著用BP神經網絡對模型進行預測，BP神經網絡操作的步驟與之前相同。假設突發(fā)事件ω每隔5天發(fā)生一次，利用極差走勢對數(shù)據(jù)進行分類，然后再進行綜合實證，模型的擬合效果如圖7所示。

圖7 綜合模型預測效果擬合圖

由此可見基于價格極差的BP神經網絡模型對煤炭價格預測的擬合效果很好，可以使用該模型對煤炭價格進行預測。

三、結論和建議

從宏觀經濟、調控政策以及生活水平三個大方面選取14個指標，建立綜合系數(shù)γ，通過對綜合系數(shù)γ值進行排序，選取了國內生產總值、第二產業(yè)增加值、煤及褐煤出口額、公共預算支出、公共預算收入、稅收收入、貨幣供應量、恩格爾系數(shù)、城鄉(xiāng)收入差距和居民消費價格指數(shù)這10個指標作為解釋變量，通過因子分析提取了三個綜合因子，再結合BP神經網絡對煤炭價格進行預測。通過引入價格極差的走勢和示性函數(shù)探究煤炭價格結構性變化的原因以及突發(fā)事件對煤炭價格的影響，最后建立了綜合煤炭價格預測模型，研究結果顯示該模型的吻合度較高，適合用于煤炭價格的預測。

2020年是我國供給側改革實施的第5年，也是我國能源轉型的關鍵時期，合理地淘汰落后產能能夠有效提高能源產出的質量，因此積極推進產業(yè)整合變得至關重要。政府應重點關注煤炭企業(yè)兼并重組進程的推進，要促進煤炭產業(yè)的發(fā)展就要在工業(yè)產業(yè)生產過程中提高效率和產能。政府應鼓勵煤炭企業(yè)“以大并小，以優(yōu)并劣”，以大型煤炭企業(yè)為主導，發(fā)揮其生產經營優(yōu)勢，提高集約化水平。由因素影響程度排序可知，政策調控指標體系下的因素對煤炭價格的影響力較大，如政府稅收、公共收入等，說明政府政策調整會很大程度上改變煤炭行業(yè)經濟發(fā)展動向。所以政府在一定程度上要把煤炭行業(yè)所存在的經濟問題交給市場解決。政府應在營造健康有序的市場環(huán)境以及保護自然環(huán)境上下功夫，幫助煤炭產業(yè)樹立行業(yè)規(guī)范、走出經濟低谷，在未來贏得市場競爭力。

考慮到突發(fā)狀況的沖擊，政府應強調發(fā)揮煤炭企業(yè)內部傳導機制[14]。面對不確定的未來情況要以安全性、穩(wěn)定性為前提進行經濟規(guī)劃布局，盡可能將突發(fā)事件造成的沖擊降到最低，減少企業(yè)損失。從政府制定經濟政策出發(fā)，在經濟市場由于外部突發(fā)沖擊動蕩時期，向煤炭等工業(yè)企業(yè)實施優(yōu)惠政策，如減稅、提高公共財政支出等方式。