工業(yè)用水量測(cè)算方法及應(yīng)用

周申蓓,劉亞靈,鄭士鵬,2,3,孫淑云

(1.河海大學(xué)商學(xué)院,江蘇 南京 211100; 2.浙江省水利河口研究院,浙江 杭州 310020;3.臺(tái)州市水利水電勘測(cè)設(shè)計(jì)院,浙江 臺(tái)州 318000;4.水利部綜合事業(yè)局,北京 100053)

工業(yè)用水量測(cè)算方法及應(yīng)用

周申蓓1,劉亞靈1,鄭士鵬1,2,3,孫淑云4

(1.河海大學(xué)商學(xué)院,江蘇 南京 211100; 2.浙江省水利河口研究院,浙江 杭州 310020;3.臺(tái)州市水利水電勘測(cè)設(shè)計(jì)院,浙江 臺(tái)州 318000;4.水利部綜合事業(yè)局,北京 100053)

工業(yè)用水總量測(cè)算是我國(guó)實(shí)行最嚴(yán)格水資源管理制度的一項(xiàng)重要工作。為了利用現(xiàn)有水利統(tǒng)計(jì)成果對(duì)工業(yè)用水總量進(jìn)行測(cè)算,文章選取了基于歷史數(shù)據(jù)的預(yù)測(cè)方法和計(jì)量結(jié)合抽樣的統(tǒng)計(jì)方法測(cè)算工業(yè)用水量,提出了“以計(jì)量結(jié)合抽樣法為主,趨勢(shì)外推法進(jìn)行對(duì)比校核”的工業(yè)用水量測(cè)算方法。結(jié)果表明:對(duì)10萬(wàn)m3以上規(guī)模的工業(yè)采用全樣本計(jì)量,對(duì)規(guī)模以下的工業(yè)按一定比例進(jìn)行抽樣計(jì)量,測(cè)算值的相對(duì)誤差可控制在10%左右。對(duì)于技術(shù)和統(tǒng)計(jì)投入受限的省份,可利用2011年水利普查數(shù)據(jù)和其他歷史數(shù)據(jù),適當(dāng)采用趨勢(shì)外推法對(duì)原有數(shù)據(jù)進(jìn)行修正。

工業(yè)用水量;統(tǒng)計(jì);測(cè)算方法;水資源管理

長(zhǎng)期以來(lái),水資源利用方式粗放、利用效率不高和水資源供需矛盾突出是制約我國(guó)可持續(xù)發(fā)展的主要瓶頸之一[1]。為解決我國(guó)日趨復(fù)雜的水資源問(wèn)題,使水資源得以高效利用和有效保護(hù),我國(guó)在2013年提出了最嚴(yán)格水資源管理制度,其中用水總量是考核該制度落實(shí)情況的重要標(biāo)準(zhǔn)之一。隨著經(jīng)濟(jì)的迅速發(fā)展,工業(yè)規(guī)模的逐漸擴(kuò)大,工業(yè)用水占據(jù)總用水量比重逐步提升。在水資源消耗中,工業(yè)用水僅次于農(nóng)業(yè)用水,用水量居第二位[2]。工業(yè)用水量核算在水資源管理考核工作中起著舉足輕重的作用,因此掌握工業(yè)行業(yè)的用水狀況,加強(qiáng)對(duì)工業(yè)行業(yè)用水量測(cè)算和統(tǒng)計(jì)的研究非常必要。

為了應(yīng)對(duì)日益嚴(yán)重的水資源危機(jī),人類在重視用水量統(tǒng)計(jì)的同時(shí)還開展了一系列用水量預(yù)測(cè)工作。美國(guó)在1956年首次進(jìn)行用水量預(yù)測(cè),日本、英國(guó)、法國(guó)等國(guó)家也逐漸開展用水量預(yù)測(cè)工作。在預(yù)測(cè)方法上,可以分為兩大類：一類是基于工業(yè)用水歷史數(shù)據(jù)進(jìn)行預(yù)測(cè),如徐洪福等[3]、黃勝[4]和郭法強(qiáng)[5]對(duì)灰色預(yù)測(cè)模型做了大量的研究,澳大利亞的Zhou等[6-7]利用時(shí)間序列預(yù)測(cè)模型分別預(yù)測(cè)了日用水量和時(shí)用水量,Levi等[8]建立了逐步回歸模型,向平等[9]建立了BP神經(jīng)網(wǎng)絡(luò)模型;另一類是基于影響因子進(jìn)行預(yù)測(cè),其前提是具備一些詳細(xì)真實(shí)的經(jīng)濟(jì)和用水統(tǒng)計(jì)等相關(guān)資料,包括從業(yè)人員數(shù)量、產(chǎn)值、資產(chǎn)余額、取用水量、重復(fù)利用率等,預(yù)測(cè)的結(jié)果精度相對(duì)較高,如徐得潛[10]和翟春健[11]將生產(chǎn)函數(shù)引入城市用水預(yù)測(cè),Leonid等[12]于1993建立了模式識(shí)別模型。

在用水統(tǒng)計(jì)方面,相較于美國(guó)、加拿大以及歐盟等發(fā)達(dá)國(guó)家,我國(guó)水資源統(tǒng)計(jì)體系較為復(fù)雜,除了專門負(fù)責(zé)統(tǒng)計(jì)水利數(shù)據(jù)的統(tǒng)計(jì)部門外,還有在職責(zé)范圍內(nèi)進(jìn)行水利信息統(tǒng)計(jì)的其他部門,導(dǎo)致不同部門之間的信息不能進(jìn)行及時(shí)準(zhǔn)確地共享。當(dāng)前我國(guó)工業(yè)企業(yè)用水信息的獲取主要通過(guò)水利部水利綜合統(tǒng)計(jì)報(bào)表制度、工業(yè)統(tǒng)計(jì)報(bào)表制度以及水利普查3種途徑,統(tǒng)計(jì)口徑上往往存在不統(tǒng)一現(xiàn)象。目前,各省市及各行業(yè)一般依據(jù)典型企業(yè)用水平衡的數(shù)據(jù)進(jìn)行用水測(cè)算,但各省級(jí)行業(yè)的工作基礎(chǔ)和投入不同,導(dǎo)致行業(yè)用水統(tǒng)計(jì)數(shù)據(jù)存疑,需進(jìn)一步對(duì)相應(yīng)數(shù)據(jù)進(jìn)行梳理、校核和評(píng)估。

筆者在不考慮利用其他經(jīng)濟(jì)統(tǒng)計(jì)資料的前提下,綜合考慮現(xiàn)有用水統(tǒng)計(jì)的工作基礎(chǔ)和數(shù)據(jù),討論了工業(yè)用水趨勢(shì)外推法與當(dāng)前計(jì)量及統(tǒng)計(jì)方法,提出了利用預(yù)測(cè)方法和計(jì)量結(jié)合抽樣的統(tǒng)計(jì)方法對(duì)工業(yè)用水進(jìn)行測(cè)算和校核的思路,以提高評(píng)估工業(yè)用水變化趨勢(shì)準(zhǔn)確率。以浙江省湖州市為例,利用一些常用的基于歷史數(shù)據(jù)法對(duì)用水量進(jìn)行預(yù)測(cè)并分析其適用性，為工業(yè)用水量測(cè)算提供依據(jù);然后利用計(jì)量結(jié)合抽樣的統(tǒng)計(jì)方法利用湖州市2011年水利普查數(shù)據(jù)對(duì)2011年工業(yè)用水總量進(jìn)行測(cè)算,并與利用2003—2010年數(shù)據(jù)預(yù)測(cè)的結(jié)果進(jìn)行比較分析。

1 基于歷史數(shù)據(jù)的工業(yè)用水量測(cè)算方法回顧和適應(yīng)性分析

1.1 方法回顧

依據(jù)歷史觀察數(shù)據(jù)進(jìn)行用水量預(yù)測(cè)的方法主要有解釋性預(yù)測(cè)法和時(shí)間序列分析法。解釋性預(yù)測(cè)法主要包括回歸分析等;時(shí)間序列分析方法主要包括灰色預(yù)測(cè)、趨勢(shì)外推、指數(shù)平滑、自回歸(AR)、移動(dòng)平均(MA)、自回歸移動(dòng)平均(ARMA)及神經(jīng)網(wǎng)絡(luò)等方法[13]。時(shí)間序列預(yù)測(cè)指利用按照時(shí)間順序進(jìn)行觀測(cè)或記錄的過(guò)去至現(xiàn)在的用水量數(shù)據(jù)排列起來(lái),不考慮外部的影響因素,比如天氣、價(jià)格等,找到記錄或觀測(cè)的數(shù)據(jù)和時(shí)間變化之間的關(guān)系,并延展所呈現(xiàn)的變化趨勢(shì),以預(yù)測(cè)未來(lái)的用水情況[14]。

趨勢(shì)外推法是基于歷史統(tǒng)計(jì)數(shù)據(jù),根據(jù)過(guò)去和現(xiàn)在的發(fā)展趨勢(shì)得到系列變化規(guī)律,探索研究對(duì)象發(fā)展變化相對(duì)于時(shí)間的函數(shù)關(guān)系進(jìn)行擬合并預(yù)測(cè)長(zhǎng)期的變化趨勢(shì)的一種方法,主要應(yīng)用在科技、經(jīng)濟(jì)和社會(huì)發(fā)展的預(yù)測(cè)。Wan等[15]提出了趨勢(shì)外推模型對(duì)居民年需水量進(jìn)行預(yù)測(cè);Pradhan[16]對(duì)該法進(jìn)行定義并預(yù)測(cè)了生活用水趨勢(shì);Grouillet等[17]認(rèn)為趨勢(shì)外推法預(yù)測(cè)結(jié)果的準(zhǔn)確性很大程度上是由原始數(shù)據(jù)決定的。

指數(shù)平滑法主要是通過(guò)對(duì)整個(gè)時(shí)間序列給予不同的權(quán)重而進(jìn)行加權(quán)平均的一種方法,在中期和短期預(yù)測(cè)中應(yīng)用較多。指數(shù)平滑法在商業(yè)、采礦業(yè)、水文學(xué)等方面都有廣泛應(yīng)用,適用于時(shí)間序列長(zhǎng)期趨勢(shì)變動(dòng)和水平變動(dòng)實(shí)物的預(yù)測(cè)。Mun[18]認(rèn)為指數(shù)平滑法是一種比較簡(jiǎn)單又比較重要的時(shí)間序列預(yù)測(cè)法,在預(yù)測(cè)方法中較為常用。在水文學(xué)方面,Aly等[19]和Caiado[20]利用季節(jié)性指數(shù)平滑法預(yù)測(cè)了城市用水量;姜彥立等[21]對(duì)季節(jié)性平滑指數(shù)法進(jìn)行了改進(jìn)處理并預(yù)測(cè)了北方地區(qū)的用水量;楊光燦等[22]在日用水量預(yù)測(cè)方面采用了改進(jìn)單指數(shù)平滑法;山紅翠等[23]采用該法預(yù)測(cè)了在規(guī)劃水平年的城鎮(zhèn)公共需水量;在采礦業(yè)方面,侯曉東等[24]為實(shí)現(xiàn)礦井防塵用水量的準(zhǔn)確預(yù)測(cè),建立了自動(dòng)調(diào)整平滑參數(shù)的單指數(shù)平滑法預(yù)測(cè)模型。

灰色系統(tǒng)是指信息不完全的系統(tǒng)?；疑A(yù)測(cè)就是對(duì)含有不確定因素的系統(tǒng),基于過(guò)去和現(xiàn)在已知的及不確定的信息建立一個(gè)從過(guò)去延伸至未來(lái)的GM模型,進(jìn)而預(yù)測(cè)系統(tǒng)未來(lái)發(fā)展情況的一種方法[25]。通過(guò)分析各類用水指標(biāo)的影響因素可知,部分指標(biāo)的影響機(jī)制仍不明確,存在部分信息已知、部分未知的現(xiàn)象,具有“灰色”特征。利用灰色預(yù)測(cè)模型,在用水量預(yù)測(cè)方面已有很多研究成果。利用傳統(tǒng)的灰色預(yù)測(cè)模型,徐洪福等[3]和張?chǎng)蔚萚26]對(duì)城市中長(zhǎng)期用水量進(jìn)行了預(yù)測(cè),預(yù)測(cè)結(jié)果精度較高；向宇等[27]短期預(yù)測(cè)了全國(guó)用水量,呈現(xiàn)了模型的實(shí)用價(jià)值;梁學(xué)玉[28]和王春超等[29]在模型改進(jìn)方面也進(jìn)行了研究,提出了組合灰色預(yù)測(cè)模型以及多變量灰色模型。灰色模型最少僅需4個(gè)數(shù)據(jù)就可以進(jìn)行預(yù)測(cè),可應(yīng)用在數(shù)據(jù)收集難度大成本高,數(shù)據(jù)十分少的情況。

自回歸移動(dòng)平均模型是在1976年由美國(guó)統(tǒng)計(jì)學(xué)家Box和英國(guó)統(tǒng)計(jì)學(xué)家Jenkins提出的,此后該模型在供、用水預(yù)測(cè)方面有著廣泛的應(yīng)用[30]。黃瀟瑩等[31]預(yù)測(cè)了成都市2009年各季度的城市供水量；孫平等[32]以深圳市水廠為例,提出了水廠逐日需水量過(guò)程預(yù)測(cè)方法；張忠國(guó)[33]提出了將ARIMA與ANN相結(jié)合的需水量預(yù)測(cè)模型,研究表明,組合模型預(yù)測(cè)精度更高。研究顯示,歷史數(shù)據(jù)越多,此法預(yù)測(cè)精度越高,但實(shí)際供用水量數(shù)據(jù)收集難度大,所得數(shù)據(jù)準(zhǔn)確率低。

人工神經(jīng)網(wǎng)絡(luò)在用水量預(yù)測(cè)方面的應(yīng)用始于20世紀(jì)90年代,因其非線性逼近能力強(qiáng)、可以進(jìn)行大規(guī)模并行計(jì)算等特點(diǎn)受到學(xué)者的關(guān)注。周天佑等[34]利用反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了日用水量；楊艷等[35]利用小波神經(jīng)網(wǎng)絡(luò)對(duì)城市用水量做了長(zhǎng)期預(yù)測(cè)；孫月峰等[36]利用模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了城市需水量；錢光興[37]利用RBP和泛化回歸神經(jīng)網(wǎng)絡(luò)對(duì)城市供水量進(jìn)行了預(yù)測(cè),預(yù)測(cè)效果較好。

1.2 各預(yù)測(cè)方法的適用性分析及方法選取

工業(yè)用水測(cè)算時(shí)需考慮測(cè)算成本和測(cè)算精度兩個(gè)基本因素。測(cè)算成本主要由數(shù)據(jù)的獲得方式及獲取難易程度決定。傳統(tǒng)的預(yù)測(cè)方法對(duì)于數(shù)據(jù)獲取的要求不高,通常只需綜合性的數(shù)據(jù),不會(huì)更多地考慮工業(yè)產(chǎn)值、產(chǎn)業(yè)結(jié)構(gòu)和能源消耗等方面,因此測(cè)算成本較低。傳統(tǒng)預(yù)測(cè)方法的測(cè)算精度主要依賴于這些綜合性數(shù)據(jù)自身的趨勢(shì)變化,若在預(yù)測(cè)期間工業(yè)用水?dāng)?shù)據(jù)由于產(chǎn)業(yè)結(jié)構(gòu)調(diào)整或節(jié)水技術(shù)提升等方面的原因出現(xiàn)了較大波動(dòng),預(yù)測(cè)精度會(huì)受到較大的影響。因此,傳統(tǒng)預(yù)測(cè)方法只是按照歷史數(shù)據(jù)的變化規(guī)律進(jìn)行預(yù)判,并不能全面真實(shí)地測(cè)算工業(yè)用水情況。但許多學(xué)者的研究表明,一般情況下,測(cè)算精度不低于85%,或者說(shuō)測(cè)算誤差小于等于15%,這樣的模型或方法都是可行的[38]。因此,在精度得到保障的前提下,筆者認(rèn)為傳統(tǒng)方法的測(cè)算是可行的。

表1詳細(xì)對(duì)比了5種傳統(tǒng)預(yù)測(cè)方法,這5種預(yù)測(cè)方法都可以對(duì)中短期用水進(jìn)行預(yù)測(cè),但是各方法的適用條件和特點(diǎn)存在較大差異。首先,ARMA和神經(jīng)網(wǎng)絡(luò)可以較好地處理非線性關(guān)系,預(yù)測(cè)精確度較高,但是對(duì)歷史數(shù)據(jù)要求較高,需要較長(zhǎng)的時(shí)間序列數(shù)據(jù)。而其他3種方法雖然在非線性關(guān)系處理和預(yù)測(cè)精確度上不如上述兩者,但可以在數(shù)據(jù)相對(duì)匱乏的狀況下實(shí)現(xiàn)預(yù)測(cè)。從實(shí)際角度出發(fā),目前我國(guó)工業(yè)用水統(tǒng)計(jì)方面仍然存在著統(tǒng)計(jì)不夠完善和數(shù)據(jù)不足的問(wèn)題,因此趨勢(shì)外推、指數(shù)平滑和灰色預(yù)測(cè)方法相對(duì)更加適用于工業(yè)企業(yè)用水測(cè)算。隨著統(tǒng)計(jì)的規(guī)范化和數(shù)據(jù)的積累,ARMA、神經(jīng)網(wǎng)絡(luò)方法甚至大數(shù)據(jù)和云計(jì)算技術(shù)將更多地應(yīng)用在用水測(cè)算領(lǐng)域。對(duì)趨勢(shì)外推、指數(shù)平滑和灰色預(yù)測(cè)方法進(jìn)一步比較,我們發(fā)現(xiàn)趨勢(shì)外推法可以實(shí)現(xiàn)線性和非線性關(guān)系的處理,并能保證一定的精確度,實(shí)用性和靈活性更強(qiáng),所以本文選取趨勢(shì)外推法作為工業(yè)用水量測(cè)算的傳統(tǒng)預(yù)測(cè)方法。

表1 幾種傳統(tǒng)預(yù)測(cè)方法適用性比較

2 計(jì)量結(jié)合抽樣的工業(yè)用水量測(cè)算方法

工業(yè)用水主要包括火(核)電工業(yè)用水及一般工業(yè)用水。在工業(yè)用水統(tǒng)計(jì)中,可以選擇將工業(yè)用水戶按規(guī)模以上和規(guī)模以下用水進(jìn)行分層計(jì)量和抽樣,即對(duì)規(guī)模以上用水戶采用完全計(jì)量的方法獲得用水?dāng)?shù)據(jù),對(duì)規(guī)模以下用水戶按統(tǒng)計(jì)精度要求進(jìn)行抽樣計(jì)量,使得工業(yè)用水統(tǒng)計(jì)結(jié)果的精度能夠滿足工業(yè)用水管理和評(píng)估所需。這種計(jì)量結(jié)合抽樣的方法的精度和成本取決于抽樣計(jì)量樣本數(shù)量和完全計(jì)量的用水戶規(guī)模。

2.1 抽樣計(jì)量樣本量的確定

由于企業(yè)工業(yè)用水量分布復(fù)雜,受行業(yè)結(jié)構(gòu)、規(guī)模特征和地域經(jīng)濟(jì)發(fā)展水平等因素的影響,無(wú)法預(yù)知工業(yè)企業(yè)用水總體的概率分布特征,因此可利用蒙特卡羅方法按不同樣本數(shù)量進(jìn)行隨機(jī)抽樣,從而確定較為經(jīng)濟(jì)可靠的計(jì)量樣本數(shù)量。

筆者以浙江省湖州市用水規(guī)模10萬(wàn)m3以下工業(yè)企業(yè)為例,利用Bootstrap方法對(duì)不同量級(jí)的樣本進(jìn)行重復(fù)抽樣,并根據(jù)重復(fù)抽樣的平均誤差確定抽樣比。Bootstrap重復(fù)抽樣方法如下:

(1)以200為樣本量單位,抽取的樣本量分別為200,400,600,…,3 800,4 000,共20種不同類型的樣本量。

(2)每一種樣本量,按照簡(jiǎn)單不重復(fù)隨機(jī)抽樣的方式,每種方案均模擬100次,以減少樣本隨機(jī)性偏差。

(3)每一種抽樣方式得到工業(yè)用水統(tǒng)計(jì)評(píng)估量、估計(jì)量方差和相對(duì)估計(jì)誤差,取平均值作為評(píng)估結(jié)果。

由簡(jiǎn)單隨機(jī)抽樣方案的估計(jì)結(jié)果可得樣本量與誤差的關(guān)系及樣本量與估計(jì)量方差的關(guān)系,如圖1和圖2所示。

圖1 樣本量與誤差的關(guān)系

圖2 樣本量與估計(jì)量方差的關(guān)系

通過(guò)對(duì)圖1的樣本量和誤差的關(guān)系分析,不難發(fā)現(xiàn)隨著樣本量的增加,相對(duì)誤差逐步減少,但是減少的趨勢(shì)逐步放緩。具體來(lái)講,若用水量的測(cè)算精度要保證15%的精度要求,樣本量?jī)H需要在400個(gè)左右,抽樣比不能低于7%；若測(cè)算精度要達(dá)到10%的精度要求,則樣本量規(guī)模要擴(kuò)大4倍左右,即抽樣比不能低于27%。以上說(shuō)明當(dāng)樣本量達(dá)到一定程度之后,樣本的規(guī)模對(duì)相對(duì)誤差的減少的貢獻(xiàn)并不顯著,然而樣本規(guī)模的增加意味著增加調(diào)查成本。從估計(jì)量方差也可以看出,當(dāng)樣本量達(dá)到400個(gè)左右的時(shí)候,其樣本波動(dòng)性出現(xiàn)了大幅的降低。因此,考慮預(yù)測(cè)精度和調(diào)查成本之間的矛盾,7%的樣本抽樣比能夠滿足工業(yè)用水量的測(cè)算精度要求。

2.2 一般工業(yè)用水分層標(biāo)準(zhǔn)的確定

通常,工業(yè)用水大戶的數(shù)量不多,但其用水占比較大,對(duì)用水測(cè)量精度的影響十分明顯,所以為保障工業(yè)用水統(tǒng)計(jì)的精度,將規(guī)模以上用水工業(yè)企業(yè)全部納入用水監(jiān)控計(jì)量范圍是十分必要的。那么,工業(yè)企業(yè)用水分層標(biāo)準(zhǔn)的設(shè)定也決定著工業(yè)用水測(cè)算精度的高低。以浙江省湖州市2011年的工業(yè)企業(yè)用水為例,年取水量50萬(wàn)m3及以上的企業(yè)共44家,所計(jì)量水量為5 901.14萬(wàn)m3,占到總用水量的18.59%;10萬(wàn)m3以上的企業(yè)共有252家,計(jì)量水量為1 0744.75萬(wàn)m3,占到總用水量的33.75%。

假設(shè)分別以用水量10萬(wàn)m3和50萬(wàn)m3作為工業(yè)用水分層標(biāo)準(zhǔn),根據(jù)Bootstrap重復(fù)抽樣的方法比較兩種不同分層標(biāo)準(zhǔn)條件下規(guī)模以下樣本量與誤差的關(guān)系,如下圖3所示。

圖3 規(guī)模以下樣本量與誤差的關(guān)系

通過(guò)對(duì)比發(fā)現(xiàn),年取水量10萬(wàn)m3作為分層標(biāo)準(zhǔn)的計(jì)量精度要顯著高于年取水量50萬(wàn)m3。所以,對(duì)于湖州市而言,將年取水量10萬(wàn)m3及以上的工業(yè)企業(yè)全部納入用水監(jiān)控計(jì)量范圍,會(huì)有效地保障工業(yè)用水統(tǒng)計(jì)的精度。

通過(guò)對(duì)工業(yè)用水量分層標(biāo)準(zhǔn)的確定,分別對(duì)規(guī)模以上的和規(guī)模以下的工業(yè)企業(yè)采用直接計(jì)量和以一定抽樣比進(jìn)行隨機(jī)抽樣的方法測(cè)算工業(yè)用水量。這種分層計(jì)量和隨機(jī)抽樣調(diào)查相結(jié)合的方法可以綜合考慮工業(yè)用水統(tǒng)計(jì)的精度要求及統(tǒng)計(jì)成本;且較傳統(tǒng)預(yù)測(cè)方法可以更加全面地掌握工業(yè)企業(yè)用水動(dòng)態(tài),特別是對(duì)用水大戶;同時(shí),相較于全面普查,該方法的應(yīng)用成本更低,且簡(jiǎn)單易操作。

2.3 對(duì)比分析兩類測(cè)算方法

為了更加準(zhǔn)確地判斷分層計(jì)量和隨機(jī)抽樣相結(jié)合測(cè)算方法的精確度,筆者將其與傳統(tǒng)預(yù)測(cè)方法相比較。在傳統(tǒng)方法中,選取上文中工業(yè)用水預(yù)測(cè)效果最好的趨勢(shì)外推法;以浙江湖州市工業(yè)用水為研究對(duì)象,以湖州市2005—2010年工業(yè)用水量數(shù)據(jù)及湖州市2011年水利普查信息作為湖州市2011年工業(yè)用水量測(cè)算的基礎(chǔ)數(shù)據(jù)。根據(jù)湖州市2012年水資源公報(bào)的內(nèi)容,全市規(guī)模以上工業(yè)和規(guī)模以下工業(yè)用水量分別為2.21億m3和0.96億m3,即一般工業(yè)用水量為3.17億m3,火(核)電年取水量為0.217億m3,則工業(yè)用水總量為3.387億m3。本文規(guī)定測(cè)算的精確度以相對(duì)誤差為標(biāo)準(zhǔn),標(biāo)準(zhǔn)誤差計(jì)算如下:

相對(duì)誤差

利用趨勢(shì)外推法對(duì)湖州市2005—2010年工業(yè)用水量數(shù)據(jù)進(jìn)行計(jì)算,得到了一般工業(yè)用水量線性變化趨勢(shì)y=-0.374 2t+5.486 6,t∈[0,7],2011年湖州市一般工業(yè)用水量的估計(jì)值為2.87億m3,一般工業(yè)用水預(yù)測(cè)相對(duì)誤差為9.5%。

同理,利用工業(yè)用水總量線性變化趨勢(shì)y=-0.366 1t+5.650 7,t∈[0,7],測(cè)算得到2011年湖州市工業(yè)用水總量的估計(jì)值為3.09億m3,那么相對(duì)誤差為8.8%。用水總量的估計(jì)值和其相對(duì)誤差作為比較分析的基準(zhǔn)值。將根據(jù)分層計(jì)量和隨機(jī)抽樣相結(jié)合測(cè)算方法對(duì)工業(yè)用水量再次核算,與基準(zhǔn)值相比較。

根據(jù)分層計(jì)量和隨機(jī)抽樣相結(jié)合的測(cè)算方法對(duì)2011年湖州市5809家工業(yè)企業(yè)的用水量進(jìn)行測(cè)算,其中規(guī)模以上有252家企業(yè),其用水量直接計(jì)量的結(jié)果為1.07億m3;采用隨機(jī)抽樣的方法估計(jì)得到規(guī)模以下工業(yè)企業(yè)平均用水量為3.31萬(wàn)m3,則規(guī)模以下企業(yè)的用水量1.84億m3。因此,湖州市一般工業(yè)用水量的估計(jì)值為2.91億m3。一般工業(yè)用水相對(duì)誤差為8.2%。

直接計(jì)量2011年火(核)電年用水量為0.222億m3,則計(jì)量結(jié)合抽樣所得總用水量為3.132億m3。總用水量相對(duì)誤差為7.6%。

表2描述和比較了上面兩種方法的測(cè)算結(jié)果。

表2 各測(cè)算方法相對(duì)誤差比較

從表2的結(jié)果比較可以看出,計(jì)量結(jié)合抽樣測(cè)算結(jié)果相對(duì)誤差更小,精度明顯優(yōu)于傳統(tǒng)的趨勢(shì)外推法。這主要因?yàn)楹?jiǎn)單隨機(jī)抽樣使得一定規(guī)模以上水量直接計(jì)量,從而不產(chǎn)生統(tǒng)計(jì)誤差,主要誤差來(lái)源于數(shù)量眾多且分散、用水比重相對(duì)較小的規(guī)模以下用水隨機(jī)抽樣統(tǒng)計(jì)部分,此法對(duì)有一定計(jì)量基礎(chǔ)的一般工業(yè)用水量的評(píng)估較為適宜。所以,為了更加準(zhǔn)確地了解一個(gè)地區(qū)的工業(yè)用水量,計(jì)量結(jié)合抽樣測(cè)算的方法可以更加積極地得到推廣。同時(shí),由于當(dāng)前階段我國(guó)的工業(yè)用水計(jì)量規(guī)章制度仍不完善,全面的工業(yè)用水計(jì)量還無(wú)法實(shí)現(xiàn),因此重點(diǎn)監(jiān)控,適量抽樣調(diào)查的工業(yè)用水量測(cè)算方法不僅成本相對(duì)便宜,而且也更加簡(jiǎn)化、合理、實(shí)用。

但是,應(yīng)該注意到,由于簡(jiǎn)單隨機(jī)抽樣具有很大的隨機(jī)性,在實(shí)際操作過(guò)程中,通過(guò)反復(fù)地重復(fù)抽樣以消除偏差是很難操作的,因此還是需要采用傳統(tǒng)的預(yù)測(cè)方法校核計(jì)量結(jié)合抽樣測(cè)算的結(jié)果。如果這兩種方法計(jì)算的結(jié)果出現(xiàn)較大的差異,我們還需要進(jìn)一步考察和確定工業(yè)用水量的變化。

3 結(jié) 語(yǔ)

本文針對(duì)工業(yè)用水量測(cè)算問(wèn)題進(jìn)行了初步的研究和探討,選取了基于歷史數(shù)據(jù)和計(jì)量結(jié)合抽樣的方法用于湖州市2011年的用水量測(cè)算。通過(guò)對(duì)比分析基于歷史數(shù)據(jù)的3種測(cè)算結(jié)果,指出3種預(yù)測(cè)方法的特點(diǎn)和適用性;并對(duì)比簡(jiǎn)單隨機(jī)抽樣及分層抽樣的相對(duì)誤差和估計(jì)量方差,結(jié)果表明按取水量(10萬(wàn)m3)分層抽樣方案能滿足測(cè)算要求。通過(guò)對(duì)工業(yè)用水量?jī)煞N測(cè)算方法的詳細(xì)研究,提出“以計(jì)量結(jié)合抽樣的工業(yè)用水量測(cè)算方法為主,趨勢(shì)外推法進(jìn)行對(duì)比校核”的工業(yè)用水量測(cè)算方法。測(cè)算結(jié)果表明兩種測(cè)算方法得到的一般工業(yè)用水量和工業(yè)用水總量非常相近,測(cè)算相對(duì)誤差均在10%以內(nèi),可達(dá)到精度要求。

[ 1 ] 卞錦宇,劉恒,耿雷華, 等. 基于隨機(jī)前沿生產(chǎn)函數(shù)的我國(guó)工業(yè)用水效率影響因素研究[J]. 水利經(jīng)濟(jì),2014,32(5):6-9,71.

[ 2 ] 賈邵鳳. 水資源經(jīng)濟(jì)學(xué)[M]. 北京: 中國(guó)水利水電出版社, 2006: 146.

[ 3 ] 徐洪福,袁一星,趙洪賓. 灰色預(yù)測(cè)模型在年用水量預(yù)測(cè)中的應(yīng)用[J]. 哈爾濱建筑大學(xué)學(xué)報(bào), 2001, 34(4):51-54.

[ 4 ] 黃勝. 灰色系統(tǒng)與多元逐步回歸耦合模型在年用水量預(yù)測(cè)中的應(yīng)用[J]. 節(jié)水灌溉, 2007(5):38-40.

[ 5 ] 郭法強(qiáng). 基于灰色GM(1,1)模型的城市工業(yè)用水量預(yù)測(cè)[J]. 地下水, 2010,32(3):108-110.

[ 6 ] ZHOU S L, MCMAHON T A, WALTON A, et al. Forecasting daily urban water demand: a case study of Melbourne[J]. Journal of Hydrology, 2000, 236(3-4):153-164.

[ 7 ] ZHOU S L, MCMAHON T A, WALTON A, et al. Forecasting operational demand for an urban water supply zone[J]. Journal of Hydrology, 2002, 259(1-4):189-202.

[ 8 ] BREKKE L, TAKAICHI L. Suburban water demand modeling using stepwise regression[J]. Journal American Water Works Association, 2002, 94(10):65-75.

[ 9 ] 向平,張蒙,張智,等. 基于BP神經(jīng)網(wǎng)絡(luò)的城市時(shí)用水量分時(shí)段預(yù)測(cè)模型[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012, 43(8):3320-3324.

[10] 徐得潛. 城市用水量預(yù)測(cè)[J]. 水資源與水工程學(xué)報(bào), 1992, 3(3):73-76.

[11] 翟春健,張宏偉,王亮. 工業(yè)生產(chǎn)函數(shù)法用于城市工業(yè)用水量預(yù)測(cè)的研究[J]. 天津工業(yè)大學(xué)學(xué)報(bào), 2009, 28(5):79-81.

[12] SHVARTSER L, SHAMIR U, FELDMAN M. Forecasting hourly water demand by pattern recognition approach[J]. Journal of Water Resources Planning & Management, 1993, 119(6):611-627.

[13] DONKOR E A, MAZZUCHI T A, SOYER R, et al. Urban Water demand forecasting: review of methods and models[J]. Journal of Water Resources Planning & Management, 2014, 140(2):146-159.

[14] BILLINGS R B, JONES, C V. Forecasting urban water demand[M]. Washington:American Water Works Association, 1996: 154.

[15] WAN S N, KUCZERA G. Incorporating demand uncertainty in water supply headworks simulation[J]. Water Resources Research, 1993, 29(2):469-478.

[16] BABEL M S, GUPTA A D, PRADHAN P. Multivariate econometric approach for domestic water demand modeling: an application to Kathmandu, Nepal[J]. Water Resource Management, 2007,21:573-589.

[17] GROUILLE B, FABRE J, RUELLAND D, et al. Historical reconstruction and 2050 projections of water demand under anthropogenic and climate changes in two contrasted Mediterranean catchments[J]. Journal of Hydrology, 2015, 522:684-696.

[18] MUN J. Modeling risk: applying Monte Carlo risk simulation, strategic real options,stochastic forecasting, and portfolio optimization[J]. Contact stress analysis, 1990,144:647-653.

[19] ALY A H, WANAKULE N. Short-term forecasting for urban water consumption[J]. Journal of Water Resources Planning & Management, 2004, 130(5): 405-410.

[20] CAIADO J. Performance of combined double seasonal univariate time series models for forecasting water demand[J]. Journal of Hydrologic Engineering, 2009, 15(3): 215-222.

[21] 姜彥立, 周新華. 季節(jié)性指數(shù)平滑法在城市用水量預(yù)測(cè)中的應(yīng)用研究[J]. 科學(xué)技術(shù)與工程, 2007, 7(8):1666-1669.

[22] 楊光燦,張?chǎng)?史浩.改進(jìn)單指數(shù)平滑法在某市日用水量預(yù)測(cè)中的應(yīng)用[J]. 黑龍江交通科技,2013(11):156,158.

[23] 山紅翠,盛東,郭文娟,等.湖南省生活需水量預(yù)測(cè)[J]. 水資源研究, 2016,5(1):52-58.

[24] 侯曉東,司樹強(qiáng),沈宏鵬. 基于自適應(yīng)單指數(shù)平滑法的礦井防塵用水量預(yù)測(cè)[J]. 煤炭與化工, 2015,38(01):61-64.

[25] 鄧聚龍. 灰色系統(tǒng)基本方法[M]. 武漢:華中科技大學(xué)出版社, 2005.

[26] 張?chǎng)?趙晴,史成波. 灰色模型在中長(zhǎng)期用水量預(yù)測(cè)中的應(yīng)用[J]. 交通科技與經(jīng)濟(jì), 2011, 13(4):113-115.

[27] 向宇,吳琴. 改進(jìn)的灰色預(yù)測(cè)模型在全國(guó)用水量預(yù)測(cè)中的應(yīng)用[J]. 湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版),2015, 33(1):25-30.

[28] 梁學(xué)玉,張?chǎng)?孫天青. 組合灰色預(yù)測(cè)模型在城市用水量預(yù)測(cè)中的應(yīng)用[J]. 人民黃河, 2010, 32(4):79-80.

[29] 王春超,王麗萍,曹云慧,等. 改進(jìn)多變量灰色模型在城市用水量預(yù)測(cè)中的應(yīng)用[J]. 水電能源科學(xué), 2013, 31(2):27-29.

[30] BOX G E P, JENKINS G M. Time series analysis: forecasting and control[M]. Holden:Holden-Day Incorporated, 1990:199-201.

[31] 黃瀟瑩,張健. ARIMA模型在成都市供水量預(yù)測(cè)中的應(yīng)用[J]. 水資源與水工程學(xué)報(bào), 2010, 21(4):111-113.

[32] 孫平,王麗萍,陳凱,等. 基于時(shí)間序列模型ARMA的水廠逐日需水量過(guò)程預(yù)測(cè)方法[J].中國(guó)農(nóng)村水利水電,2013(11):139-142.

[33] 張忠國(guó). 基于ARIMA與ANN組合模型的需水量預(yù)測(cè)方法研究[J]. 地下水, 2015, 37(6):1-4.

[34] 周天佐,羅大庸. MCPSO優(yōu)化BP-NN在日用水量預(yù)測(cè)中的應(yīng)用[J]. 微計(jì)算機(jī)信息, 2009, 25(9):151-153.

[35] 楊艷,李靖,馬顯瑩,等. 基于小波神經(jīng)網(wǎng)絡(luò)的城市用水量長(zhǎng)期預(yù)測(cè)研究[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2010, 25(2):272-276.

[36] 孫月峰,閆雅飛,張表志,等. 基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)城市需水量預(yù)測(cè)方法研究[J]. 安全與環(huán)境學(xué)報(bào),2013, 13(2):136-139.

[37] 錢光興,崔東文. RBF與GRNN神經(jīng)網(wǎng)絡(luò)模型在城市需水預(yù)測(cè)中的應(yīng)用[J]. 水資源與水工程學(xué)報(bào), 2012, 23(5):148-152.

[38] 高海英. 神經(jīng)網(wǎng)絡(luò)在陜西省工業(yè)用水量預(yù)測(cè)中的應(yīng)用[D].西安: 西安建筑科技大學(xué), 2007.

10.3880/j.issn.1003-9511.2017.01.010

周申蓓(1974—)，男，副教授，博士研究生，主要從事水資源管理研究。E-mail：shenbei@hhu.edu.cn

鄭士鵬(1991—),男,碩士研究生,主要從事水資源管理研究。E-mail：13777682662@163.com

TU991.31

A

1003-9511(2017)01-0040-05

2016-04-16 編輯：陳玉國(guó))