基于蒙特卡羅方法的中國中長期煤炭需求預(yù)測(cè)

侯小超，張 磊，楊 晴

(1.中國礦業(yè)大學(xué) 管理學(xué)院，江蘇 徐州 221116; 2.西安科技大學(xué) 管理學(xué)院，陜西 西安 710054)

0 引言

煤炭作為中國的主體能源，在一次能源結(jié)構(gòu)中占比70%左右，是中國經(jīng)濟(jì)持續(xù)、快速發(fā)展的基本保障，其主體地位在未來相當(dāng)長時(shí)期內(nèi)不會(huì)改變。當(dāng)前，中國經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，經(jīng)濟(jì)由高速增長轉(zhuǎn)為中高速增長，產(chǎn)業(yè)結(jié)構(gòu)不斷優(yōu)化升級(jí)，能源結(jié)構(gòu)步入戰(zhàn)略性調(diào)整期，能源革命加快推進(jìn)，由主要依靠化石能源供應(yīng)轉(zhuǎn)向由非化石能源滿足需求增量，煤炭行業(yè)面臨重大的挑戰(zhàn)。對(duì)于煤炭行業(yè)來說，在目前的經(jīng)濟(jì)及能源結(jié)構(gòu)轉(zhuǎn)型期，只有正確預(yù)測(cè)未來煤炭的需求，才能更好地適應(yīng)行業(yè)的轉(zhuǎn)型，進(jìn)而更好地支撐能源系統(tǒng)的轉(zhuǎn)型。

當(dāng)前的煤炭需求預(yù)測(cè)的研究方法大致可以分為兩類。一類是基于煤炭需求序列進(jìn)行分析預(yù)測(cè)[1～5]，如時(shí)間序列法、灰色預(yù)測(cè)模型法等。寧云才應(yīng)用復(fù)合小波神經(jīng)網(wǎng)絡(luò)模型對(duì)中國煤炭消費(fèi)的年增長率進(jìn)行了預(yù)測(cè)，得出該預(yù)測(cè)模型用于近期預(yù)測(cè)是可靠的[1]。池啟水和劉曉雪以1953～2005年的煤炭消費(fèi)歷史數(shù)據(jù)建立ARIMA(3,1,3)模型，對(duì)2002～2005的煤炭需求進(jìn)行預(yù)測(cè)，證明其預(yù)測(cè)誤差較低，ARIMA 模型對(duì)于短期預(yù)測(cè)精度較高[2]。張會(huì)新和白嘉運(yùn)用灰色系統(tǒng)和三角模型預(yù)測(cè)中國2008～2013年的煤炭需求量，研究結(jié)果顯示灰色系統(tǒng)用于短中期預(yù)測(cè)較為準(zhǔn)確，不適用于長期預(yù)測(cè)[3]。另一類是基于煤炭需求影響因素進(jìn)行分析預(yù)測(cè)[6～11]，如能源消費(fèi)彈性系數(shù)法、部門分析法等。陳師等采用協(xié)整技術(shù)選用經(jīng)濟(jì)增長、城市化和工業(yè)化等作為煤炭需求影響因素，分高、中、低三種經(jīng)濟(jì)增長速度情景假設(shè)各影響因素的取值，對(duì)中國2012～2030年的煤炭需求進(jìn)行預(yù)測(cè)[6]。高俊蓮等基于LEAP模型選用GDP、人口和產(chǎn)業(yè)結(jié)構(gòu)等作為影響煤炭需求的因素，分高、中、低三種煤炭發(fā)展前景，設(shè)定各影響因素取值，預(yù)測(cè)中國2015～2030年的煤炭需求[7]。劉暢和孫超將部門分析法、煤炭消費(fèi)彈性系數(shù)法和GDP單位耗煤法三種方法組合，根據(jù)經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)和生態(tài)環(huán)境的現(xiàn)狀和政策，分別設(shè)定各種方法的影響因素的取值，預(yù)測(cè)中國2017～2020年的煤炭需求[8]。

以上煤炭需求預(yù)測(cè)可能存在的不足在于，基于煤炭需求序列的分析預(yù)測(cè)不適用于中長期預(yù)測(cè)，而基于煤炭需求影響因素進(jìn)行分析預(yù)測(cè)的方法通常在參數(shù)取值上有一定的情景假設(shè)性。為此，本文嘗試選取影響因素?cái)?shù)據(jù)隨機(jī)生成的蒙特卡羅方法，預(yù)測(cè)中國的中長期煤炭需求。該方法既能用于預(yù)測(cè)中長期的煤炭需求，又能規(guī)避參數(shù)取值的主觀性問題，從而更為科學(xué)地回答中國煤炭需求預(yù)測(cè)問題。

1 研究方法

1.1 蒙特卡羅方法

蒙特卡羅方法(Monte Carlo Method, MC)也稱統(tǒng)計(jì)模擬法或隨機(jī)抽樣技術(shù)，是20紀(jì)40年代中期由于科學(xué)技術(shù)的發(fā)展和電子計(jì)算機(jī)的發(fā)明，而被提出的一種以概率統(tǒng)計(jì)理論為指導(dǎo)的一類非常重要的數(shù)值計(jì)算方法，其采用隨機(jī)抽樣來模擬事物的真實(shí)情況。當(dāng)這種模擬次數(shù)足夠時(shí)，模擬數(shù)據(jù)的概率分布特征就越接近實(shí)際情況[12]。蒙特卡羅方法的原理是當(dāng)問題或?qū)ο蟊旧砭哂懈怕侍卣鲿r(shí)，可以用計(jì)算機(jī)模擬方法產(chǎn)生抽樣結(jié)果，根據(jù)抽樣計(jì)算統(tǒng)計(jì)量或者參數(shù)的值；隨著模擬次數(shù)的增多，可以采用對(duì)各次統(tǒng)計(jì)量或參數(shù)的估計(jì)值求平均的方法得到穩(wěn)定結(jié)論[13]。

蒙特卡羅方法的基本思想是，根據(jù)實(shí)際的工程或管理問題，以目標(biāo)值建立一個(gè)概率模型g(x1,x2,…,xn) ；構(gòu)造輸入?yún)?shù)(x1,x2,…,xn)的概率分布，并從這些已知概率分布中抽樣；根據(jù)概率模型g(x1,x2,…,xn)得到基于輸入樣本的隨機(jī)目標(biāo)值；用同樣的方法產(chǎn)生N個(gè)隨機(jī)目標(biāo)值；最后，對(duì)N個(gè)隨機(jī)目標(biāo)值的概率分布進(jìn)行擬合，這一概率分布即可被看作是目標(biāo)值的概率分布，從而得到實(shí)際工程或管理問題的近似解。

蒙特卡羅方法的一般建模步驟[14,15]：

(1)建立輸入?yún)?shù)和目標(biāo)值的函數(shù)關(guān)系；

(2)構(gòu)造輸入?yún)?shù)的概率分布；

(3)基于已知輸入?yún)?shù)概率分布的抽樣；

(4)根據(jù)步驟(1)建立的函數(shù)關(guān)系得到隨機(jī)目標(biāo)值；

(5)重復(fù)步驟(3)和(4)N次，得到N個(gè)隨機(jī)目標(biāo)值；

(6)對(duì)N個(gè)隨機(jī)目標(biāo)值的概率分布進(jìn)行擬合。

1.2 MC在預(yù)測(cè)領(lǐng)域的應(yīng)用

蒙特卡羅方法用于預(yù)測(cè)的研究很多，涉及的領(lǐng)域也很廣泛。曹玲運(yùn)用基于獨(dú)立同分布中心極限定理的蒙特卡羅方法對(duì)中國“十三五”期間經(jīng)濟(jì)增長率的概率分布進(jìn)行預(yù)測(cè)，從預(yù)測(cè)結(jié)果來看，“十三五”期間中國經(jīng)濟(jì)增長速度將進(jìn)入“新常態(tài)”，這與中國當(dāng)前的經(jīng)濟(jì)狀況相符[13]。陳俊松在對(duì)公路工程經(jīng)濟(jì)評(píng)價(jià)的概率分析中，運(yùn)用蒙特卡羅方法對(duì)某新建公路未來20年的交通量做出預(yù)測(cè)，預(yù)測(cè)結(jié)果與給定的特征年限交通量相符合，預(yù)測(cè)結(jié)果良好[14]。徐廷學(xué)等將馬爾可夫鏈與蒙特卡羅仿真相結(jié)合，根據(jù)某類備件季度消耗量序列來預(yù)測(cè)該類備件未來1年的需求量，為低需求量備件的預(yù)測(cè)提供借鑒[16]。楊金玲等將蒙特卡羅方法用于預(yù)測(cè)嫩江流域汛期降雨量，研究表明，該方法在汛期降雨量接近平水時(shí)，都會(huì)收到較好的預(yù)測(cè)精度，但在豐水和枯水的情況下，預(yù)測(cè)誤差較大[17]。趙志鵬運(yùn)用蒙特卡羅方法和隊(duì)列要素人口預(yù)測(cè)算法對(duì)河南省2010～2050年的總?cè)丝跀?shù)量、死亡人數(shù)和出生人數(shù)進(jìn)行預(yù)測(cè)，將兩種方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，差值都在0.6%以內(nèi)[18]。

蒙特卡羅方法在能源領(lǐng)域也有少量的應(yīng)用。黃建基于LEAP模型選用電力消費(fèi)的主要終端部門對(duì)中國中長期電力需求量進(jìn)行預(yù)測(cè)，并運(yùn)用蒙特卡羅方法對(duì)電力需求量預(yù)測(cè)結(jié)果進(jìn)行不確定性評(píng)價(jià)，給出各年份電力需求量的概率分布圖和基于95%置信區(qū)間，即各年份電力需求量的不確定性區(qū)間[15]。Henning Meschede等用蒙特卡羅方法評(píng)估海島酒店可再生能源系統(tǒng)成本，考慮隨機(jī)的天氣、入住率和能源需求因素，分情景預(yù)測(cè)能源系統(tǒng)的成本[19]。然而，運(yùn)用蒙特卡羅方法預(yù)測(cè)煤炭需求的文獻(xiàn)尚未發(fā)現(xiàn)。

2 模型與MC仿真

2.1 回歸模型的構(gòu)建

作為基礎(chǔ)能源，煤炭需求的影響因素眾多，參考國內(nèi)外的研究結(jié)果，我們選取三個(gè)主要影響因素，即經(jīng)濟(jì)增長、能源結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)。

(1)經(jīng)濟(jì)增長

眾多學(xué)者的研究表明，中國經(jīng)濟(jì)增長是導(dǎo)致煤炭需求增長的主要原因。林伯強(qiáng)等采用協(xié)整技術(shù)研究中國長期煤炭需求，證明國民收入對(duì)煤炭需求有正向的影響[20]。高俊蓮等基于LAEP模型，選用GDP等作為主要影響因素，對(duì)中國2015～2030年的煤炭需求進(jìn)行預(yù)測(cè)[7]。本文選用GDP表示經(jīng)濟(jì)增長。為了真實(shí)反映GDP的變化，剔除通貨膨脹因素的影響，以1980年不變價(jià)表示各年份的GDP。

(2)能源結(jié)構(gòu)

中國的能源結(jié)構(gòu)是以煤炭為主，煤炭在國民經(jīng)濟(jì)中占據(jù)著不可替代的主導(dǎo)地位。胡雪棉和趙國浩選取煤炭占總能源消費(fèi)的比重等作為解釋變量，基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建煤炭需求預(yù)測(cè)模型，對(duì)中國2007～2011年的煤炭需求進(jìn)行預(yù)測(cè)[21]。劉暢和孫超分析了能源結(jié)構(gòu)等影響煤炭需求的因素，采用組合預(yù)測(cè)方法對(duì)中國2017～2020年的煤炭需求進(jìn)行預(yù)測(cè)[8]。本文選用煤炭消費(fèi)量占總能源消費(fèi)量的比重作為衡量能源結(jié)構(gòu)的指標(biāo)。

(3)產(chǎn)業(yè)結(jié)構(gòu)

現(xiàn)階段中國正處于工業(yè)化發(fā)展進(jìn)程中，工業(yè)生產(chǎn)對(duì)煤炭等能源具有巨大的直接需求。張宏和李仲學(xué)研究了產(chǎn)業(yè)結(jié)構(gòu)等影響煤炭需求的因素，建立了煤炭需求情景分析模型，對(duì)中國中長期的煤炭需求進(jìn)行了情景分析及預(yù)測(cè)[22]。陳師等選用工業(yè)化水平等作為影響因素，采用協(xié)整技術(shù)研究中國長期煤炭需求[6]。本文以工業(yè)增加值占GDP比重作為衡量產(chǎn)業(yè)結(jié)構(gòu)的指標(biāo)。

基于以上分析，構(gòu)建如式(1)所示的煤炭需求模型：

lnQt=β0+β1lnGDPt+β2lnERSt+β3lnISt+εt

(1)

其中，Qt表示第t期的煤炭需求量；GDPt表示第t期的國內(nèi)生產(chǎn)總值，即GDP；ERSt表示第t期的能源結(jié)構(gòu)；ISt表示第t期的產(chǎn)業(yè)結(jié)構(gòu)；εt表示第t期的隨機(jī)擾動(dòng)項(xiàng)。為消除異方差的影響，所有變量均用對(duì)數(shù)形式表示[6]。

2.2 參數(shù)的隨機(jī)性分析

蒙特卡羅方法用于預(yù)測(cè)的文獻(xiàn)中顯示，影響因素的概率分布多為基于時(shí)間點(diǎn)構(gòu)建，每個(gè)時(shí)間點(diǎn)一個(gè)概率分布，各時(shí)間點(diǎn)上的概率分布不一定相同[13～19,23,24]。為避免這一問題，同時(shí)為了降低影響因素概率分布構(gòu)建的難度，本文選擇基于影響因素的時(shí)間序列構(gòu)建概率分布。這要求影響因素的時(shí)間序列整體上具有隨機(jī)性，需要對(duì)序列整體的隨機(jī)性進(jìn)行檢驗(yàn)。盛春光在中國碳金融市場(chǎng)發(fā)展機(jī)制研究中指出，非平穩(wěn)時(shí)間序列在各個(gè)時(shí)間點(diǎn)上的隨機(jī)規(guī)律是不同的，難以通過序列已知的信息去掌握時(shí)間序列整體上的隨機(jī)性[25]。這給我們的研究轉(zhuǎn)換了思路，將檢驗(yàn)時(shí)間序列整體的隨機(jī)性轉(zhuǎn)為檢驗(yàn)序列的平穩(wěn)性。

常用的平穩(wěn)性檢驗(yàn)方法有ADF檢驗(yàn)、PP檢驗(yàn)和KPSS檢驗(yàn)。為了更嚴(yán)謹(jǐn)?shù)貦z驗(yàn)序列平穩(wěn)性，本文同時(shí)采用這三種檢驗(yàn)方法進(jìn)行單位根檢驗(yàn)，KPSS檢驗(yàn)與ADF檢驗(yàn)、PP檢驗(yàn)的不同之處在于其原假設(shè)為時(shí)間序列是平穩(wěn)的。檢驗(yàn)結(jié)果如表1所示，lnGDP和lnERS序列非平穩(wěn)，lnGDP和lnIS的變化率lnGDP_GR和lnIS_GR序列平穩(wěn)，此處lnGDP_GRt=(lnGDPt-lnGDPt-1)/lnGDPt-1，lnERS_GR和lnIS_GR是由lnERS和lnIS采用同樣的計(jì)算方法得到。lnIS序列的KPSS檢驗(yàn)結(jié)果表明序列平穩(wěn)，但ADF檢驗(yàn)與PP檢驗(yàn)結(jié)果表明序列非平穩(wěn)，因此，lnIS序列非平穩(wěn)。同理，lnERS_GR序列平穩(wěn)。lnGDP,lnERS和lnIS序列非平穩(wěn)，序列整體上不具有隨機(jī)性，不可用于概率分布構(gòu)建，而它們的變化率lnGDP_GR,lnERS_GR和lnIS_GR序列平穩(wěn)，序列整體上具有隨機(jī)性，可用于概率分布構(gòu)建。

表1 單位根檢驗(yàn)結(jié)果

2.3 蒙特卡羅仿真設(shè)計(jì)

根據(jù)蒙特卡羅模擬的一般步驟，將1980年作為第0期，1981年作為第1期，以此類推2025年為第45期，其中1980年的數(shù)據(jù)作為初始數(shù)據(jù)，而隨機(jī)抽樣從1981年開始。各影響因素對(duì)數(shù)變化率連續(xù)抽樣45次，即根據(jù)已知分布生成45個(gè)隨機(jī)數(shù)，前35個(gè)隨機(jī)數(shù)對(duì)應(yīng)1981～2015年的真實(shí)數(shù)據(jù)，不需要對(duì)參數(shù)的取值范圍進(jìn)行控制，后10個(gè)隨機(jī)數(shù)對(duì)應(yīng)2016～2025年的預(yù)測(cè)數(shù)據(jù)，需要控制參數(shù)的取值范圍；根據(jù)生成的隨機(jī)數(shù)、煤炭需求模型和第0期的數(shù)據(jù)計(jì)算出每期的煤炭需求對(duì)數(shù)lnQt，得到一個(gè)45期的煤炭需求對(duì)數(shù)時(shí)間序列；大量的實(shí)踐經(jīng)驗(yàn)表明，蒙特卡羅模擬次數(shù)取1000次已經(jīng)能取得很好的估計(jì)值[14]，因此，將此過程進(jìn)行1000次，得到1000個(gè)45期的煤炭需求對(duì)數(shù)時(shí)間序列；最后將每期對(duì)應(yīng)的1000個(gè)目標(biāo)值進(jìn)行平均得到每期的穩(wěn)定目標(biāo)值，再將穩(wěn)定的目標(biāo)值作為指數(shù)，自然常數(shù)e作為底數(shù)即可得到每期的煤炭需求?；谝陨戏治?，本文的蒙特卡羅仿真設(shè)計(jì)如圖1所示。

圖1 MC模擬流程圖

2.4 控制參數(shù)取值范圍

當(dāng)前，中國經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，經(jīng)濟(jì)由高速增長轉(zhuǎn)為中高速增長，產(chǎn)業(yè)結(jié)構(gòu)不斷優(yōu)化升級(jí)，能源結(jié)構(gòu)步入戰(zhàn)略性調(diào)整期，能源革命加快推進(jìn)，由主要依靠化石能源供應(yīng)轉(zhuǎn)向由非化石能源滿足需求增量。針對(duì)這些現(xiàn)狀，本文對(duì)影響煤炭需求的三個(gè)變量在預(yù)測(cè)期間的取值范圍進(jìn)行控制，同時(shí)為充分保證蒙特卡羅模擬時(shí)隨機(jī)抽樣的隨機(jī)性，參數(shù)的取值范圍僅設(shè)置上限或下限。

(1)經(jīng)濟(jì)增長。當(dāng)前，中國經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，經(jīng)濟(jì)由高速增長轉(zhuǎn)為中高速增長。因此，預(yù)測(cè)期間的GDP年平均增長率應(yīng)該會(huì)下降到某一平穩(wěn)水平，為保證這一平穩(wěn)水平，在進(jìn)行蒙特卡羅模擬時(shí)應(yīng)控制GDP取值范圍。王少平和楊洋根據(jù)簡(jiǎn)約的協(xié)整VECM模型計(jì)算出GDP的長期趨勢(shì)分布于5.5%～7.5%之間，GDP增速具有91.5%的概率穩(wěn)定在6%～7.5%的區(qū)間[26]。因此，本文假設(shè)2016～2020年，GDP年增長率的上限為7%，2021～2025年的年增長率上限為6.5%。

(2)能源結(jié)構(gòu)。中國能源結(jié)構(gòu)步入戰(zhàn)略性調(diào)整期，能源革命加快推進(jìn)，由主要依靠化石能源供應(yīng)轉(zhuǎn)向由非化石能源滿足需求增量?！睹禾抗I(yè)發(fā)展“十三五”規(guī)劃》稱預(yù)計(jì)到2020年，煤炭消費(fèi)比重下降到58%。因此，本文假設(shè)2016～2025年，煤炭消費(fèi)占總能源消費(fèi)比重年增長率上限為-2.7%。

(3)產(chǎn)業(yè)結(jié)構(gòu)。由歷史數(shù)據(jù)可知，2011～2015年工業(yè)增加值占GDP比重年平均下降率為3%。因此，本文假設(shè)2016～2025年工業(yè)增加值占GDP比重年平均增長率上限為-3%。

3 結(jié)果及討論

3.1 模型系數(shù)估計(jì)

基于1980～2015年間的歷史數(shù)據(jù)，利用MATLAB軟件中的regress函數(shù)對(duì)煤炭需求模型的系數(shù)進(jìn)行估計(jì)，得到結(jié)果如表2所示。回歸方程的判定系數(shù)R2=0.9637，回歸方程擬合程度較好；lnGDPt,lnERSt和lnISt與lnQt分別在1%和5%的顯著性水平下線性關(guān)系顯著；回歸方程的線性回歸效果在1%的顯著性水平下顯著，表明煤炭需求Qt顯著受到GDPt、ERSt和ISt三個(gè)因素影響。煤炭需求模型的最終形式如式(2)所示：

表2 煤炭需求模型系數(shù)估計(jì)結(jié)果

lnQt=-3.7848+0.6161lnGDPt+

1.7202lnERSt-0.8943lnISt

(2)

3.2 概率分布擬合

我們收集了各影響因素1980～2015年的歷史數(shù)據(jù)，構(gòu)建其對(duì)數(shù)變化率的頻率分布直方圖，并基于直方圖假設(shè)各影響因素對(duì)數(shù)變化率的概率分布，然后對(duì)該假設(shè)進(jìn)行相關(guān)檢驗(yàn)并得出結(jié)論，最后估算出各分布的均值和標(biāo)準(zhǔn)差。

(1)lnGDP變化率

從圖2a來看，可以假設(shè)lnGDP_GR服從正態(tài)分布，故采用Lilliefors方法對(duì)其進(jìn)行檢驗(yàn)，其P值的結(jié)果為0.4691，表明可以接受原假設(shè)?；谧畲笏迫还烙?jì)法得到其均值為0.0094，標(biāo)準(zhǔn)差為0.0028，所以lnGDP變化率的概率分布為：lnGDP_GR～N(0.0094,0.00282)。

(2)lnERS變化率

從圖2b來看，可以假設(shè)lnERS_GR服從正態(tài)分布，故采用Lilliefors方法對(duì)其進(jìn)行檢驗(yàn)，其P值的結(jié)果為0.2119，表明可以接受原假設(shè)?；谧畲笏迫还烙?jì)法得到其均值為0.0103，標(biāo)準(zhǔn)差為0.0441，所以lnERS變化率的概率分布為：lnERS_GR～N(0.0103,0.04412)。

(3)lnIS變化率

從圖2c來看，可以假設(shè)lnIS_GR服從均勻分布，根據(jù)詳細(xì)的頻率分布直方圖假設(shè)lnIS_GR服從-0.03到0.05間的均勻分布，故采用kstest函數(shù)對(duì)其進(jìn)行檢驗(yàn)，其P值的結(jié)果為0.4821，表示可以接受原假設(shè)，所以lnIS變化率的概率分布為:lnIS_GR～U[-0.03,0.05]。

圖2 影響因素對(duì)數(shù)變化率頻率分布直方圖

3.3 煤炭需求預(yù)測(cè)

我們首先檢驗(yàn)蒙特卡羅方法的有效性。以1980年的各項(xiàng)數(shù)據(jù)為初始數(shù)據(jù)，對(duì)各輸入?yún)?shù)進(jìn)行隨機(jī)抽樣，計(jì)算出1981～2015年各年煤炭需求量的預(yù)測(cè)值。1981～2015年的煤炭需求實(shí)際值與預(yù)測(cè)值的結(jié)果展示如圖3所示，從圖中可以看出，各年的預(yù)測(cè)值與實(shí)際值吻合較好，蒙特卡羅方法擬合程度較好，可用于預(yù)測(cè)未來的煤炭需求。

圖3 1981～2015年中國煤炭需求量實(shí)際值與預(yù)測(cè)值

基于MATLAB軟件，以1980年的各項(xiàng)數(shù)據(jù)為初始數(shù)據(jù)，控制2016～2025年的各輸入?yún)?shù)的取值范圍，對(duì)各輸入?yún)?shù)進(jìn)行隨機(jī)抽樣，計(jì)算出2016～2025年各年煤炭需求量的預(yù)測(cè)值，將此過程進(jìn)行1000次，將各年對(duì)應(yīng)的1000個(gè)預(yù)測(cè)值進(jìn)行平均，得到2016～2025年穩(wěn)定的煤炭需求預(yù)測(cè)值，各年的預(yù)測(cè)量如圖4所示。

圖4 2016～2025年中國煤炭需求量預(yù)測(cè)值及其增長率

從圖4的預(yù)測(cè)結(jié)果可以看出，2016～2025年的煤炭需求量呈先平穩(wěn)上升后快速下降趨勢(shì)，并于2020年達(dá)到需求的峰值40.25億噸。2016～2020年期間，前四年煤炭需求量平穩(wěn)增長，平均增長率約為0.53%，最后一年增長率驟降至0.10%，并于2020年增長到峰值40.25億噸。2021～2025年期間，前兩年煤炭需求量平穩(wěn)下降，平均下降率約為0.36%，后三年下降幅度越來越大，平均下降率約為0.84%，并于2025年下降到38.96億噸。

3.4 預(yù)測(cè)結(jié)果的比較

為檢驗(yàn)預(yù)測(cè)效果，將采用蒙特卡羅方法的預(yù)測(cè)結(jié)果與近期的煤炭需求預(yù)測(cè)研究高俊蓮等的LEAP模型[7]以及劉暢和孫超的組合預(yù)測(cè)模型[8]的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，對(duì)比的結(jié)果如圖5所示。

圖5 MC與組合預(yù)測(cè)模型及LEAP模型的預(yù)測(cè)結(jié)果對(duì)比

從圖5的對(duì)比結(jié)果可以看出，MC預(yù)測(cè)的煤炭需求量與組合預(yù)測(cè)模型和LEAP模型的預(yù)測(cè)值相近，且呈現(xiàn)相同的趨勢(shì)。與LEAP模型相對(duì)比，MC可用于連續(xù)預(yù)測(cè)，而LEAP模型只能對(duì)特定的年份基于情景假設(shè)進(jìn)行預(yù)測(cè)，無法顯示煤炭需求的詳細(xì)變化趨勢(shì)。2020年，MC的預(yù)測(cè)結(jié)果接近于LEAP模型的中煤情景預(yù)測(cè)結(jié)果，從短期來看，清潔煤技術(shù)和煤化工發(fā)展較為緩慢，不能滿足國家的大氣控制目標(biāo)，而可再生能源的迅速發(fā)展以及天然氣對(duì)散煤的替代卻可以滿足。這與《國民經(jīng)濟(jì)和社會(huì)發(fā)展第十三個(gè)五年規(guī)劃綱要》、《能源發(fā)展“十三五”規(guī)劃》和《煤炭工業(yè)發(fā)展“十三五”規(guī)劃》的提出的目標(biāo)相一致。從整體上來看，中國經(jīng)濟(jì)發(fā)展步入新常態(tài)，能源需求增速放緩。從能源結(jié)構(gòu)優(yōu)化調(diào)整來看，中國政府加快散煤治理步伐，穩(wěn)步推進(jìn)可再生能源發(fā)展，積極推廣應(yīng)用清潔煤技術(shù)，大力發(fā)展煤炭洗選加工，到2020年，煤炭消費(fèi)比重進(jìn)一步降低，消費(fèi)量控制在41億噸以內(nèi)，年均增速為0.7%，煤炭需求呈緩慢增長趨勢(shì)，比本文的預(yù)測(cè)結(jié)果稍高。2025年，MC的預(yù)測(cè)結(jié)果接近于LEAP模型的高煤情景預(yù)測(cè)結(jié)果，從長期來看，清潔煤技術(shù)和煤化工發(fā)展較好，可以實(shí)現(xiàn)國家大氣環(huán)境目標(biāo)，可再生能源與天然氣對(duì)煤炭的替代作用減小。與組合預(yù)測(cè)模型相對(duì)比，MC的預(yù)測(cè)結(jié)果更為平穩(wěn)，但二者整體趨勢(shì)一致。2017和2018年，組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果小于MC的預(yù)測(cè)結(jié)果，2019和2020年，組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果大于MC的預(yù)測(cè)結(jié)果。2017～2020年間組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果整體上呈現(xiàn)較大的增長幅度，且預(yù)示2020年以后煤炭需求仍有可能會(huì)呈現(xiàn)上升趨勢(shì)，不會(huì)下降，這與MC的預(yù)測(cè)結(jié)果不一致。

從圖6的預(yù)測(cè)值與實(shí)際值對(duì)比結(jié)果可以看出，2016年的預(yù)測(cè)值比實(shí)際值略高，這可能是由于國家為實(shí)現(xiàn)環(huán)境目標(biāo)強(qiáng)制煤改氣造成煤炭需求非正常減少，煤炭需求下降的同時(shí)，天然氣面臨供應(yīng)不足的尷尬境地，進(jìn)而導(dǎo)致北方地區(qū)供暖延緩以及供暖成本上升等社會(huì)問題。2017年的前三季度煤炭消費(fèi)量比2016年的前三季度高，而第四季度一般是煤炭需求較大的季度，因此2017年的煤炭需求必然成上升趨勢(shì)，這與MC預(yù)測(cè)的趨勢(shì)一致。

圖6 實(shí)際煤炭需求與預(yù)測(cè)結(jié)果對(duì)比

4 結(jié)論

基于蒙特卡羅仿真預(yù)測(cè)，我們得到2016～2025年的煤炭需求呈先平穩(wěn)增長后快速下降趨勢(shì)，并于2020年達(dá)到需求的峰值40.25億噸。由于煤炭消費(fèi)的慣性，中國對(duì)煤炭還有一定的依賴性，中國煤炭的消費(fèi)量在未來幾年內(nèi)還是呈上升趨勢(shì)，但是到2020年以后中國的煤炭消費(fèi)量會(huì)逐漸減少，這一趨勢(shì)能夠?qū)覝p排和國家能源結(jié)構(gòu)調(diào)整進(jìn)行支撐。