基于蒙特卡罗方法的中国中长期煤炭需求预测

doi:10.12005/orms.2020.0013

运筹与管理 ›› 2020, Vol. 29 ›› Issue (1): 99-105.DOI: 10.12005/orms.2020.0013

基于蒙特卡罗方法的中国中长期煤炭需求预测

侯小超¹, 张磊¹, 杨晴²

1. 中国矿业大学管理学院,江苏徐州 221116;
2. 西安科技大学管理学院,陕西西安 710054

收稿日期:2018-01-16 出版日期:2020-01-25
通讯作者: 张磊(1975-),男,江苏徐州人,教授,博士生导师,研究方向:能源经济、能源系统工程;杨晴(1993-),女,河南商丘人,讲师,博士后,研究方向:能源经济。
作者简介:侯小超(1993-), 男, 江苏徐州人, 博士研究生, 研究方向:能源经济
基金资助:
国家自然科学基金资助项目 (71373261,71874187)

Chinese Medium and Long-term Coal Demand Forecast Based on Monte Carlo Method

HOU Xiao-chao¹, ZHANG Lei¹, YANG Qing²

1. School of Management, China University of Mining and Technology, Xuzhou 221116, China;
2. School of Management, Xi'an University of Science and Technology, Xi'an710054, China

Received:2018-01-16 Online:2020-01-25

摘要/Abstract

摘要： 为避免传统预测方法的参数取值主观性问题,采用参数随机产生的蒙特卡罗方法预测中国中长期煤炭需求。首先分析了经济增长、能源结构和产业结构三个主要煤炭需求影响因素,并基于1980~2015年间各影响因素及煤炭消费的历史数据和最小二乘法的多元线性回归拟合煤炭需求方程。在此基础上,构建各影响因素的概率分布,采用蒙特卡罗方法模拟1981~2015年的煤炭需求,发现仿真结果可以较好拟合现实,可作为仿真预测的有效工具。结合经济新常态和能源结构调整的现状,控制参数取值范围进行蒙特卡罗仿真预测,结果显示,2016~2025年的煤炭需求呈先上升后下降趋势,并于2020年达到需求的峰值40.25亿吨,这些结果对于煤炭产业的科学决策有重要的作用。

关键词: 煤炭需求, 蒙特卡罗, 预测

Abstract: In order to avoid the subjectivity of parameters value of traditional prediction methods, Monte Carlo method, which can randomly generate parameters value, is used to predict the medium and long-term coal demand in China. Firstly, three main influencing factors of coal demand such as economic growth, energy structure and industrial structure are analyzed. And then the coal demand equation is fitted with Ordinary Least Squares based on the historical data of coal consumption and its influencing factors from 1980 to 2015. On this basis, the probability distribution of each influencing factor is constructed, and the coal demand of 1981~2015 is simulated by Monte Carlo method. It is found that the simulation results can better fit the reality and can be used as an effective tool for simulation prediction. Combining with the “new normal” of China's economy and its energy structure adjustment, the Monte Carlo simulation prediction is carried out by controlling the range of parameters value. The results show that the coal demand from 2016 to 2025 will first increase and then decrease, and reach the peak demand of 4.025 billion ton in 2020. These results play an important role in the scientific decision-making of the coal industry.

Key words: coaldemand, Monte Carlo method, forecast

中图分类号:

F426

侯小超, 张磊, 杨晴. 基于蒙特卡罗方法的中国中长期煤炭需求预测[J]. 运筹与管理, 2020, 29(1): 99-105.

HOU Xiao-chao, ZHANG Lei, YANG Qing. Chinese Medium and Long-term Coal Demand Forecast Based on Monte Carlo Method[J]. Operations Research and Management Science, 2020, 29(1): 99-105.

参考文献

[1] 宁云才.煤炭需求预测的复合小波神经网络模型[J].煤炭学报,2003,28(1):108-112.
[2] 池启水,刘晓雪.ARIMA模型在煤炭消费预测中的应用分析[J].能源研究与信息,2007,23(2):117-123.
[3] 张会新,白嘉.基于三角灰色系统模型的煤炭消费预测[J].统计与决策,2011,(23):38-40.
[4] Chavez S G, Bernat J X, Coalla H L. Forecasting of energy production and consumption in asturias(northern spain)[J]. Energy, 1999, 24(3): 183-198.
[5] Kumar U, Jain V K. Time series models(grey-markov, grey Model with rolling mechanism and singular spectrum analysis) to forecast energy consumption in India[J]. Energy, 2010, 35(4): 1709-1716.
[6] 陈师,郑欢,方行明.中国中长期煤炭需求预测[J].技术经济,2014,33(5):79-85.
[7] 高俊莲,姜克隽,刘嘉,等.基于LEAP模型的中国煤炭需求情景分析[J].中国煤炭,2017,43(4):23-27.
[8] 刘畅,孙超.未来中长期我国煤炭需求预测[J].中国煤炭,2017,43(10):5-9,20.
[9] Wang Y, Li J. China's present situation of coal consumption and future coal demand forecast[J]. China Population Resources & Environment, 2008, 18(3): 152-155.
[10] Zhu Q, Zhang Z, Li R, et al. Structural analysis and total coal demand forecast in china[J]. Discrete Dynamics in Nature and Society, 2014, (1): 1-10.
[11] Hao Y, Zhang Z Y, Liao H, et al. China's farewell to coal: a forecast of coal consumption through 2020[J]. Energy Policy, 2015, 86(6): 444-455.
[12] 刘薇,常振海.异常值对非参数bootstrap法估计的影响分析[J]. 统计与决策,2015,(12):74-76.
[13] 曹玲.基于蒙特卡罗模拟的中国经济周期特征研究[J].云南财经大学学报,2017,33(3):56-63.
[14] 陈俊松.基于蒙特卡罗法的公路工程经济评价概率分析[D].南京:南京林业大学,2008:8-10,20-24,43-45.
[15] 黄建.基于LEAP的中国电力需求情景及其不确定性分析[J].资源科学,2012,34(11):2124-2132.
[16] 徐廷学,杜峻名,蓝天.基于马尔科夫与蒙特卡罗仿真的导弹装备备件需求量预测[J].兵工自动化,2011,30(10):85-87.
[17] 杨金玲,吴亚楠,谢淼,等.蒙特卡罗法在嫩江流域汛期降雨量预测中的应用[J].南水北调与水利科技,2011,9(03):28-32.
[18] 赵志鹏.蒙特卡罗仿真在人口预测模型中的应用研究[D].郑州:河南工业大学,2015:24-27,34-35.
[19] Meschede H, Dunkelberg H, Sthr F, et al. Assessment of probabilistic distributed factors influencing renewable energy supply for hotels using monte-carlo methods[J]. Energy, 2017, 128: 86-10.
[20] 林伯强,魏巍贤,李丕东.中国长期煤炭需求:影响与政策选择[J].经济研究,2007,(2):48-58.
[21] 胡雪棉,赵国浩.基于Matlab的BP神经网络煤炭需求预测模型[J].中国管理科学,2008,16(S1):521-525.
[22] 张宏,李仲学.煤炭需求影响因素及情景分析[J].煤炭学报,2007,32(5):557-560.
[23] Nijhuis M, Gibescu M, Cobben J F G. Bottom-up markov chain monte carlo approach for scenario based residential load modelling with publicly available data[J]. Energy & Buildings, 2016, 112: 121-129.
[24] Koblents E, Míguez J. A population monte carlo scheme with transformed weights and its application to stochastic kinetic models[J]. Statistics & Computing, 2015, 25(2): 407-425.
[25] 盛春光.中国碳金融市场发展机制研究[D].哈尔滨:东北林业大学,2013:I.
[26] 王少平,杨洋.中国经济增长的长期趋势与经济新常态的数量描述[J].经济研究,2017,52(6):46-59.

基于蒙特卡罗方法的中国中长期煤炭需求预测

Chinese Medium and Long-term Coal Demand Forecast Based on Monte Carlo Method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	初良勇, 左世萍, 阮志毅. 考虑退货不确定性的多层次多站点逆向物流网络选址优化研究[J]. 运筹与管理, 2021, 30(9): 73-79.
[2]	李洪兵, 张吉军. 天然气需求影响因素分析及未来需求预测[J]. 运筹与管理, 2021, 30(9): 132-138.
[3]	杨海东, 刘碧玉. 基于贝叶斯推理的突发水污染事件水质预测模型参数估计[J]. 运筹与管理, 2021, 30(8): 127-132.
[4]	徐菲, 任爽. 基于分解—集成的铁路货运需求预测研究[J]. 运筹与管理, 2021, 30(8): 133-138.
[5]	简冠群, 李秉祥. 业绩补偿承诺对定增并购双价格偏离的影响机理[J]. 运筹与管理, 2021, 30(8): 205-210.
[6]	唐中君, 周亚丽. 考虑消费动机和动态竞争的电影日需求预测模型[J]. 运筹与管理, 2021, 30(6): 172-180.
[7]	徐丽静, 周荣喜, 熊亚辉. 基于NS族模型的中国公司债信用利差预测[J]. 运筹与管理, 2021, 30(3): 183-189.
[8]	杨兴雨, 林虹, 何锦安, 张永. 基于排序预测的带交易费用在线投资组合策略[J]. 运筹与管理, 2021, 30(2): 168-175.
[9]	吴可可, 余燕, 董大勇. 投资者注意的风险补偿对股市回报的预测[J]. 运筹与管理, 2021, 30(12): 198-203.
[10]	李培志, 董清利. 基于网络搜索数据和机器学习的票房预测模型[J]. 运筹与管理, 2021, 30(11): 168-175.
[11]	陈振, 昝哲, 贾书伟. 基于SD-VF理论的城市限行政策效应研究[J]. 运筹与管理, 2021, 30(11): 190-196.
[12]	张建同, 孙嘉青. 基于组合预测法的共享单车租赁需求量预测[J]. 运筹与管理, 2021, 30(10): 146-152.
[13]	杨芸, 陈亮, 樊重俊, 杨进. 改进型LOBNN & AR-GARCH模型在股票预测中的应用[J]. 运筹与管理, 2021, 30(10): 153-158.
[14]	汪漂. 混合区间多尺度分解的区间时间序列组合预测[J]. 运筹与管理, 2021, 30(10): 159-164.
[15]	黄国兴, 曹先怀, 钱晓飞. 一种基于随机森林的备件预测模型研究[J]. 运筹与管理, 2021, 30(10): 165-168.