中国能源消费的影响因素分析

中国能源消费的影响因素分析【摘要】能源是国民经济发展和人民生活水平提高的重要物质基础。我国是一个资源大国，但由于人口基数大且正处于工业化和城镇化快速发展的重要时期，能源消费和建设已成为我国政府密切关注的议题。然而如何合理地控制能源消费及建设就需要我们对能源消费的影响因素有明确的认识。本文从我国能源消费的影响因素入手，通过实证分析，筛选出对能源消费较为重要的几个影响因素，并建立能源消费模型，通过SPSS以及EVIEWS软件对模型进行检验分析，最后对所得结果进行分析，同时提出相应的建议。【关键词】能源消费；影响因素；多元线性回归模型一、引言能源消费是指生产和生活所消耗的能源。能源是支持经济增长的重要物质基础和生产要素。首先从能源消费结构来看，中国是煤炭资源比较丰富的国家，煤炭依然在中国能源消费总量中占主导地位。建国初期，中国煤炭消费量占一次能源消费总量的90%以上，随着中国石油天然气工业和水电事业的发展，煤炭消费比例有所下降。但从整体上看，中国的能源消费基本形成以煤为基础、多元发展的能源消费结构。在世界能源由煤炭为主向油气为主的结构转变过程中，中国仍是世界上极少数几个能源以煤为主的国家之一。其次，从能源消费总量来看。我国能源消费总量不断增长，能源利用效率较低。随着经济规模的不断扩大，中国的能源消费呈持续上升趋势。我国受资金、技术、能源价格等因素的影响，中国能源利用效率比发达国家低很多。另外，能源消费以国内供应为主，环境污染状况加剧，优质能源供应不足。中国经济发展主要建立在国产能源生产与供应基础之上，能源技术装备也主要依靠国内供应。90年代中期以前，中国能源供应的自给率达98％以上。随着能源消费量的持续上升，以煤炭为主的能源结构造成城市大气污染，过度消耗生物质能引起生态破坏，生态环境压力越来越大。随着我国人口的持续增长，经济的快速发展，这必然会导致我们能源消费量的增加，而与年俱增的能源消费对环境造成的破坏也越来越严重。因此，我们迫切的需要对能源消费的影响因素进行思考与分析，为能源规划及政策的制定提供相应的建议。二、能源消费的影响因素分析有关对能源消费的影响因素研究的文献非常丰富，以下是利用多元回归模型定量分析能源生产总量、经济增长、全国生活能源消费总量、工业能源消费总量以及城镇居民人均可支配收入对能源消费总量的影响。（一）数据1.数据及其来源本文数据来源于《2013中国统计年鉴》2000年至2012年的国民经济核算、能源的部分数据。总共抽取了13个样本作为研究对象，原始数据如下：表1原始数据年份能源消费总量（万吨标准煤）能源生产总量（万吨标准煤）城镇居民人均可支配收入（元）人均国内生产总值（元）生活能源消费总量（万吨标准煤）工业能源消费总量（万吨标准煤）20001455311350486280785815614101649200115040614387568608622154271037742002159431150656770393981703210713820031837921719068472105421982711360020042134561966489422123362128113116820052359972162191049314185253051525072006258676232167117601650027765168724200728050824727913786201693081418494520082914482605521578123708318982005312009306647274619171752560833843209302201032493929691619109300153455821919720113480023179872181035198374102320192012361732331848245653842039621246441数据来源：数据选取2.1能源消费总量（单位：万吨标准煤）：能源消费总量，在模型中用Y来表示。指全国各行业和居民生活消费的各种一次性能源总量，由原油、原煤和天然气等组成。2.2能源消费的影响因素：（1）能源生产总量（单位：万吨标准煤），在模型中用1X来表示，是指一次性能源消耗总量。（2）城镇居民人均可支配收入（单位：元），在模型中用2X来表示，指城镇居民家庭人均可用于最终消费支出和其它非义务性支出以及储蓄的总和。（3）人均国内生产总值（单位：元），在模型中用3X来表示，指一个国家或地区，在核算期内（通常为一年）实现的生产总值与所属范围内的常住人口的比值。（4）生活能源消费总量（单位：万吨标准煤），在模型中用4X来表示，指我国一次性能源在生活方面的消费量。（5）工业能源消费总量（单位：万吨标准煤），在模型中用5X来表示，指我国在工业方面的能源消耗量。（6）其他因素：在模型中用来表示，以上因素外的其他因素在模型中则被视为误差部分。3.能源消费的影响因素定性分析图12000年—2012年能源消费用量图1表示的是2000年至2012年来我国能源消费总量、能源生产总量、生活能源消费总量及工业能源消费总量。由图1可知，该四项数据在这13年间都是呈增长趋势，且能源消费总量高于能源生产总量，说明我国能源消费量大且能源生产量不能满足需求。图22000年—2012年城镇居民人均可支配收入与人均GDP图2表示的是我国2000年至2012年城镇居民人均可支配收入和人均国内生产总值随时间变化的特征。由图可知，城镇居民人均可支配收入和人均国内生产总值逐年提高，且人均国能生产总值增长速率较大。图3工业能源消费与生活能源消费的比例图图3可以看出，我国工业能源消费总量与生活能源消费总量逐年的变化趋势。我国工业能源消费总量远远超出生活能源消费总量，且他们的比值波动范围很小几乎不变。图4生活能源消费、工业能源消费及能源消费总量图4可以看出，三种能源消费总量都逐年增加，并且工业能源消费总量占能源消费总量的比例很大且该比例变化不大，而生活能源消费总量占能源消费重量的比例小。（二）能源消费其影响因素的定量分析1.模型设定回归模型设定如下：55443322110ˆˆˆˆˆˆYˆXXXXX其中，Yˆ——表示能源消费总量，1X——表示能源生产总量，2X——表示城镇居民人均可支配收入，3X——表示人均国内生产总值，4X——表示生活能源消费总量，5X——表示工业能源消费总量，543210ˆˆˆˆˆˆ、、、、、——表示待定系数，——表示随机误差项。2.参数估计以下是运用SPSS19.0对以上13组样本数据进行的回归分析结果：表2样本数据回归结果CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta1(Constant)-13599.3206690.741-2.033.082X1.856.092.7549.281.000X2-2.7632.232-.218-1.238.256X3.4241.275.058.333.749X42.6081.031.2922.530.039X5.160.153.1101.048.330a.DependentVariable:Y根据表1数据，模型的估计结果为：5432116.0608.2424.0763.2856.032.13599YˆXXXXXt=(-2.033)(9.281)(-1.238)(0.333)(2.530)(1.048)（三）模型检验1.经济意义检验由回归估计结果可以看出，能源生产总量、人均国内生产总值、生活能源消费总量和工业能源消费总量与能源消费总量呈线性正相关，与现实经济意义理论相符。但是城镇居民人均可支配收入与能源消费总量呈线性负相关，与现实经济意义理论不相符。2.统计检验表3数据的拟合优度检验ModelSummaryModelRRSquareAdjustedRSquareStd.ErroroftheEstimate11.000a1.000.9991846.715a.Predictors:(Constant),X5,X3,X1,X4,X2表4方差分析表ANOVAaModelSumofSquaresdfMeanSquareFSig.1Regression68555185084.383513711037016.8774020.413.000bResidual23872490.38773410355.770Total68579057574.76912a.DependentVariable:Yb.Predictors:(Constant),X5,X3,X1,X4,X21)拟合优度检验：由表3数据可知，2R=1，调整后2R=0.999表示在用样本量和模型中自变量的个数进行调整后，在能源消费总量取值的变差中，能被能源消费总量与能源生产总量、城镇居民人均可支配收入、人均国内生产总值、生活能源消费总量和工业能源消费总量的多元线性回归方程所解释的比例为99.9%，这说明模型对样本的拟合程度很好。2)F检验：根据表4数据可得，在95%的置信度下，F=4020.413，P0.05，拒绝原假设，这意味着能源消费总量与能源生产总量、城镇居民人均可支配收入、人均国内生产总值、生活能源消费总量和工业能源消费总量之间的线性关系显著。3)T检验：在95%的置信度下，）（8t025.0=2.3060，根据表2数据可得，X1、X4的t大于给定的显著性水平，拒绝原假设，表明能源生产总量和生活能源消费总量对能源消费总量有显著性影响。X2、X3、X5的t均小于2.3060，表明城镇居民人均可支配收入、人均国内生产总值和工业能源消费总量对能源消费总量的影响不显著。3.多重共线性检验及其修正①相关系数检验：表5相关系数矩阵CorrelationsX1X2X3X4X5X1PearsonCorrelation1.978**.975**.994**.993**Sig.(1-tailed).000.000.000.000N1313131313X2PearsonCorrelation.978**1.999**.968**.977**Sig.(1-tailed).000.000.000.000N1313131313X3PearsonCorrelation.975**.999**1.964**.975**Sig.(1-tailed).000.000.000.000N1313131313X4PearsonCorrelation.994**.968**.964**1.996**Sig.(1-tailed).000.000.000.000N1313131313X5PearsonCorrelation.993**.977**.975**.996**1Sig.(1-tailed).000.000.000.000N1313131313根据表5数据可知，各解释变量相互之间的相关系数很高，证实存在严重多重共线性。②修正多重共线性采用逐步回归的办法，去检验和解决多重共线性问题，以下为用SPSS软件进行的逐步回归结果：表6模型汇总ModelSummaryModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1.998a.997.9964497.2612.999b.999.9992869.11631.000c1.000.9991849.557a.Predictors:(Constant),X1b.Predictors:(Constant),X1,X5c.Predictors:(Constant),X1,X5,X2表7最终模型的系数CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.Er