马 静 ，王 宝 ，叶 彬 ，赵佳佳 ，季 超 ，李 晶

（1.国网安徽省电力有限公司经济技术研究院，合肥 230022；2.北京经世万方信息技术有限公司，北京 100022；3.国网安徽省电力有限公司，合肥 230061）

引言

目前短期内全社会用电量的预测主要从经济与气温因素出发，比如代表经济增长的月度工业增加值指标[1]、月度气温因素[2～3]及单位GDP能耗因子[2]等常用于月度全社会用电量预测中。从已有文献来看，经济气象预测模型在特定的省市间具有很好的预测效果，但由于安徽省用电量增长已与经济增长（如GDP增速、工业增加值增速）相背离[4]，传统方法构建出的预测模型较难应用于对安徽省用电量预测。而近年来，用电类指标开始应用于安徽省全社会用电量预测，比如通过业扩报装[5]构建的全社会用电量预测模型被证明适用于短期预测，但该模型未纳入宏观经济类等重要影响因素，导致模型拟合效果并不太好。基于经济增长指标的应用限制以及报装类指标（如装接容量）的可应用性，本文以安徽省全社会用电量作为预测对象，从其重要影响因素出发，并结合指标的先行一致性引入其他宏观经济类指标，引入价格类和装接容量指标，构建月度全社会用电量预测模型。

虽然气象因素的确是影响夏冬季用电量波动的重要因素，但其近年波动性较大，指标本身较难预测。考虑到气象预测困难性，本文对安徽省全社会用电量进行时间序列分解，使用不含气象波动的安徽省全社会用电量趋势项进行预测，以增加模型预测精确性，该序列更能真实反映时间序列波动规律。

一、预测指标初选

由于区域全社会用电量主要受区域经济及宏观环境因素影响，且考虑到指标选取需服务于全社会用电量预测（即备选指标仅包括对于安徽省全社会用电量有先行影响或同步变化的指标，滞后指标不在备选范围之内），以及月度数据的可获得性，选取以下指标：一是国内指标：全国货币和准货币（M2）供应量、全国制造业采购经理指数（PMI）；二是区域指标：工业生产者出厂价格指数（PPI）；安徽省基建、房地产开发投资和商品房销售面积；安徽省月末金融机构贷款余额；制造业装接容量。各指标对用电量的影响如下：

1.全国货币和准货币（M2）供应量。货币供应量是反映货币政策变动的重要信号，实施量化宽松的货币政策意味着市场被注入大量资金，有效缓解资金紧张，有助于刺激经济增长；紧缩的货币政策意味着市场资金紧张，企业融资困难加大，投资活跃度降低，即货币供应量作用于企业生产经营、投资影响全社会用电量变化。

2.全国制造业采购经理指数（PMI）。PMI由新订单指数、生产指数、从业人员指数、供应商配送指数和主要原材料库存指数加权而成，是监测宏观经济走势的先行性指数之一。当PMI高于50%则反映制造业经济扩张，低于50%则收缩。由于制造业在用电量中具有规模大、能耗高的特性，其生产情况波动会在较大程度上影响全社会用电量走势，因而PMI可在一定程度上预示全社会用电增长情况的变动。

3.工业生产者出厂价格指数（PPI）。PPI衡量生产领域价格变动走势，其侧面可以反映出生产需求及企业经营情况，当产能过剩、需求疲软时，PPI指数持续低于100，企业经营风险加大，工业生产持续放缓；近期供给侧改革持续推进，去产能成效显著且供需关系改善，在此情形下，PPI涨幅较快，工业生产稳定增长且企业经营得到改善，外在环境好转也有利于企业扩大再生产。工业生产活动的强弱直接关系到工业用电量增长情况，从而决定了全社会用电量增长水平。

4.安徽省基建、房地产开发投资和商品房销售面积。安徽省制造业用电量占全社会用电量的比重高达45%，其用电量的波动会在很大程度上影响全社会用电量的走势。制造业产品需求受基建、房地产开发投资影响较大，例如，基建投资可拉动水泥、钢材等高耗能产品的需求量，从而影响用电的需求。同理，房地产有很长的上下游产业链条，房地产投资除了直接拉动水泥等高耗能产品需求外，还可派生出对装修、家具、电器、汽车等众多领域产品的需求量，因此房地产投资对用电量增长的影响作用不可小觑。同样，商品房销售面积也是房地产类重要指标，销售端的变化将直接影响家具家电需求，并带来商品房供应端的变动。因此，本文将安徽省基建、房地产开发投资和商品房销售面积三个指标均放入备选指标库中。

5.安徽省月末金融机构贷款余额。实体经济的发展离不开资金的支撑，从月末金融机构贷款余额变化中可以看出企业的投融资活跃情况，折射企业对宏观形势的预期，是宏观经济发展的先行指标，间接影响用电量走势。

6.制造业装接容量。企业装接容量与用电需求紧密相关，若企业用电容量与企业用电需求不匹配时，则会将申请增加或减少装接容量，装接容量的大小会直接影响其用电量的多少，因此将其引入用电量预测备选指标。

二、指标处理及分析

1.时间序列分解。时间序列中月度或季度数据往往受季节变动影响，季节性波动因素会遮盖序列发展的其他客观规律，一般在分析之前需对指标序列进行季节性调整。另外，本文同时也期望剔除气温影响，以得到全社会用电量的真实走势规律。因此，采用X12季节性调整方法（乘法模型）对各指标进行时间序列分解，以安徽省全社会用电量为例，序列波动较为剧烈，整体呈波动上升趋势。进行序列拆分之后，得到的全社会用电量趋势项呈稳步增长状态，有利于模型构建。除PPI同比增幅以及已为季节性调整序列的PMI之外，其他指标均进行类似分解。

2.时差相关分析。由于初选指标中M2传导影响企业经营具有时滞性，PMI、投资类等指标具有明显的先行性，而制造业装接容量可能具有先行或一致性，因此使用时差相关分析法确定各指标的先行或一致阶数。时差相关系数作为验证序列间先行、一致或滞后性的一种常用方法，其选取基准指标后，对各备选变量进行超前或滞后调整，计算它们的相关系数，并比较不同延迟期的时差相关系数。其中，最大的时差相关系数即反映了备选指标与基准指标的时差相关关系，而相应的延迟数表示延迟或超前的期数。

设序列y为基准指标，而时间序列x为备选指标，则y与x相关系数为：

相关系数用于反映两个指标的线性相关程度，而时差相关系数为：

其中，1=0，±1，±2，…，±L。当 1 取值为负时表示超前，取正表示滞后，L为最大延迟数，n1为数据取齐时后的数据个数。

最大的r*对应的阶数j即为滞后超前阶数。

根据时差相关分析方法及备选指标与全社会用电量历史数据，得到各指标对安徽省月度全社会用电量增速的超前阶数（见表1）。由表1可以看出，除安徽省工业生产者出厂价格指数和制造业装接容量是同步指标外，其余指标均为用电量的先行指标。

表1 安徽全社会用电量与各指标的时差相关分析结果

三、安徽月度用电量预测模型构建及应用

对M2（超前6期）、PMI（超前4期）、PPI、基建投资（超前13期）、房地产开发投资（超前3期）、商品房销售面积（超前5期）、月末贷款余额（超前4期）和制造业装接容量八个备选指标按照其先行一致阶数进行变换，以月度安徽省全社会用电量作为因变量，建立回归预测模型。模型优先使用逐步回归法筛选指标，并结合模型拟合及预测效果，最终得到较优的模型。以2012年1月至2017年8月序列为样本，得到全社会用电量预测模型为：

其中，QHS为安徽省月度全社会用电量；ZZYZJ为安徽省月度制造业装接容量；M2（-6）为超前6期的全国M2货币供应量；PPI为安徽省月度工业品出厂价格指数。从模型来看，制造业装接、超前6期的货币供应量和工业品出厂价格指数均对全社会用电量具有显著影响，且单个指标的

图2 全社会用电量预测模型拟合图

变动均带来全社会用电量的同向变动。模型的拟合效果较好，制造业装接容量、货币供应量和工业品出厂价格指数构建的模型可以解释安徽省月度全社会用电量的97.6%的变化（即R2）。而在模型之外，全社会用电量可能还受到产业结构变动等其他未纳入模型的外部因素影响。从图2可以看出，经时间序列分解后得到的全社会用电量趋势项呈现出明显的波动上升趋势，而模型拟合值与实际值呈现较一致的变化。

在实际预测月度全社会用电量中，由于相邻月份制造业装接容量基本变化不大，其预期值可参考上月数值确定，而工业品出厂价格指数可参考其整体走势确定。运用上述模型预测2017年6—11月全社会用电量（其中9—11月为预测未来值），得到表2的结果。可见，模型得到的预测值接近实际值。另外，在更换样本期（如扩大或减少月份）分别预测时可以发现，对于未来相同月份的用电量各预测值基本无变化，即模型具有较好的稳定性。

表2 全社会用电量预测①模型给出的预测值为全社会用电量的趋势项，结合季节性因子和不规则因子值可还原成全社会用电量值。面对未来期用电量预测时，则不考虑不规则因子波动，仅使用趋势预测值与季节性因子即可得到全社会用电量预测值。及检验

结语

本文依据时差相关分析构建出的月度全社会用电量模型具有较好的预测效果，不过由于该模型未考虑气温因素影响，其未来预测值通过季节因子还原后仅为气温正常情形下的用电需求量，对于气温异常情形下其预测误差可能较大。另外，本文以安徽区域作为研究对象，其模型可能不适用于其他区域。不过，本文为全社会用电量预测指标选择提供了新的思路，即价格指数类和装接容量类指标对全社会用电量的影响不应被忽视。