基于GRA-TOPSIS的经济增长对能源依赖度评价与预测.pdf

1、基于 GRA-TOPSIS 的经济增长对能源依赖度评价与预测沈梦涵 邹昀东摘 要 从能耗水平和结构效应两个维度，构建经济增长对能源依赖度评价指标体系。在此基础上利用基于熵值权重的 GRA-TOPSIS 评价方法，对我国 20012018 年经济增长对能源的依赖度进行了评价与分析，进一步采用 BP 神经网络模型预测我国 20192021年的能源依赖度发展趋势。研究表明，考察期内经济增长对非清洁能源的依赖度并不稳定，总体上呈先上升后波动性下滑的趋势，预期未来会有所回升;经济增长对清洁能源的依赖度指数经历了小幅波动和逐渐上升两个阶段，预期 2019 年后会略微下滑。关键词 经济增长;能源;依赖指数;

2、评价指标中图分类号 F062.1文献标识码 A文章编号 1009-6043（2020）06-0133-03一、引言能源作为国民经济一大生产要素，一直是社会经济发展的重要支柱，也是衡量经济可持续发展的重要指标。现如今，我国正处于城镇化、现代化发展的重要历史时期，能源不仅成为促进现代化农业、工业发展的最大动力，更是成为用以衡量居民生活水平和综合国力的重要标准。正是由于我国经济的发展过度依赖于煤炭等非清洁能源，我国成为世界上最大的温室气体排放国，能源供给缺口也日益扩大。出于有效控制环境污染、缓解能源压力等方面的全盘考虑，近年来，政府开始扶持清洁能源产业的发展，不断优化能源结构，促进经济发展方式转变。

3、在此背景下，经济与各类能源之间的依赖关系必然会发生一定程度的变化。为此，科学测度经济增长与能源之间的关系成为了一项重大的研究课题。本文从能耗水平和结构效应两个维度出发，构建评价经济增长与能源依赖关系的综合指标体系，提出用“经济增长对能源依赖度”作为评价经济对能源依赖程度的综合指标，并对这一指标的发展趋势进行了详细分析与预测。二、评价指标体系构建由于经济增长对能源的依赖涉及因素众多，当前学界并无详细的评价准则，因此本文在现有认知条件下，从能耗水平和结构效应两个维度对其进行分解。据此，本文以 2001-2018 年为研究时段，构建了包含 1 个目标层，2 个分解层和 6 项反映能源与国民经济紧密程

4、度的宏观经济指标在内的三级能源依赖度评价指标体系。以下就各指标的计算与经济含义进行说明。（一）能耗水平1.亿元 GDP 能源消耗（I1）。反映能源对经济发展的贡献，是每创造一亿元 GDP（以2000 年为基期平减）所需平均消耗的实际能源量。I1=某种能源消费量/GDP 总量2.能源消費弹性系数（I2）。反映能源运行状况和经济发展对能源消费的依赖度，即实际 GDP 每增长百分之一，对应的能源消费增长的百分比。I2=某种能源消费增速/GDP 增速3.能源生产弹性系数（I3）。反映经济发展对能源生产的依赖度，即实际 GDP 每增长百分之一，对应的能源生产增长的百分比。I3=某种能源生产增速/GDP

5、增速（二）结构效应1.能源消费结构（I4）。反映各种不同能源在能源消费体系中的地位，即某种能源消费占我国能源消费总量的比例。I4=某种能源消费量/能源消费总量2.能源生产结构（I5）。反映各种不同能源在能源生产体系中的地位，即某种能源生产占我国能源生产总量的比例。I5=某种能源生产量/能源生产总量3.能源贡献率（I6）。反映某种能源对能源消费增长的贡献率。I6=某种能源消费增量/能源消费总增量其中，I1-I6 均为正向指标，即随着指标值的上升，经济增长对能源的依赖度提升。三、评价方法（一）熵值法本文采用熵值法计算不同指标的权重。假设经济增长对能源依赖度有 T=T1，T2，Tm个评价年度，共包含

6、 I=I1，I2，In个评价指标。具体计算过程如下：1.对数据进行归一化处理，以消除数据本身的规模效应。设初始样本为 X=（xij）mn，i1，2，m，j1，2，n，归一化后的指标数值记为 yij。由于本文采用的指标均为正向指标，因此采用归一化公式：yij=（xij-mini（xij）/（maxi（xij）-mini（xij）2.确定指标权重。具体赋权过程如下：式中：pij 表示第 j 项指标下第 i 个评价年度占该指标的比重，ej 表示第 j 项指标的熵值，dj 为信息熵冗余度，wj 即为第 j 项指标的权重。权重越大，对应的指标对目标层的影响越强。（二）GRA-TOPSIS 评价模型由于能

7、源依赖度涉及因素众多，其指标体系也具有较大的动态性，因此选用单一评价模型对能源依赖度进行评价有失准确。鉴于此，本文采用 GRA-TOPSIS 综合评价模型，基于熵值权重对能源依赖度进行测度与评价。由于该种评价方法完全利用样本数据的信息，不需要相对较为主观的专家法进行赋权，同时结合了灰色关联度分析和 TOPSIS 评价模型的优点，因此得出的评价结果相较于单一评价方法更为准确和合理。具体评价步骤如下：其中，zij 为加权规范决策矩阵，Z+和 Z-为决策矩阵的正负理想解，d+和 d-为评价年度与正负理想解的 Euclid 距离，R+和 R-为评价年度与正负理想解的灰色关联系数矩阵，为分辨系数，一般取

8、0.5463 时达到最优分辨率，本文取为 0.5。r+和 r-为评价年度与正负理想解的灰色关联度，对 d+、d-、r+和 r-分别进行归一化处理得到无量纲化后的 Euclid 距离和灰色关联度。S+和 S-分别反映了评价年度与理想值的接近程度和远离程度，和则是用于反映评价者对评价年度关注程度的系数，本文取=0.5。C+即为各评价年度的灰色贴近度，也即经济增长对能源的依赖度指数。灰色贴近度越大，代表该年度经济增长对能源依赖度越高。（三）BP 神经网络预测模型BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，其基本思想是信息的正向传输和误差的反向传输。在正向

9、传输过程中，输入的信息通过隐藏层激活函数进行计算并将结果传输到输出层。若输出层接收到的结果与目标输出的差超过给定的误差值，则按照原始路径反向传播误差，修改神经元的权重和阈值。BP 神经网络模型就是通过如此重复传输信息与误差，以不断接近所需目标输出，最终达到预测目的。设输入样本为 P=P1，P2，Pq，与其对应的输出样本为 C=C1，C2，Cq，实际输出为 O=O1，O2，Oq，则具体实现步骤如下：1.对能源依赖度指数进行训练集和测试集的划分。确定各层神经元个数和层间连接权值 Wij、Wjk，指定训练目标最小误差、训练次数、学习率、神经元激活函数等参数。其中，隐藏层神经元个数根据经验公式 L=+

10、c 计算得出，a 为输入层阈值，b 为输出层阈值，c 为 1-10 之间的整数。2.计算隐藏层第 j 个神经元输出结果：Hj=f1（WijPi+lj），j=1，2，L3.计算输出层第 k 个神经元输出结果：Ok=f2（WjkHj-bk），k=1，2，b4.计算期望输出与实际输出的误差：ek=Ek-Ok5.返回误差，对权值、阈值进行更新：式中，为学习率。步骤 5 后判断算法迭代是否结束，若未结束则返回步骤 2 重复运算。如此多次重复更新后即可对能源依赖度进行预测。四、经济增长对能源依赖度评价与预测（一）评价结果及分析为揭示经济增长对各类能源的依赖情况，本文依据前文构建的评价指标体系，采用2001

11、-2018 年的时序数据，分别测度经济增长对非清洁能源、清洁能源的依赖度指数。指数发展趋势如图 1 所示。其中，非清洁能源包括煤炭、石油、天然气等不可再生能源，清洁能源为包括水能、核能、风能等在内的可再生能源。非清洁能源和清洁能源的具体数据来源于历年中国统计年鉴，各类清洁能源数据则是依据历年中国能源统计年鉴中不同清洁能源占清洁能源总量的比例进行划分。由于国家能源局 2010 年开始公布风电产量和消费量数据，因此本文针对清洁能源依赖度指数的探讨，仅从水能和核能两个角度展开。由图 1 可知，自 2001 年以来，经济增长对非清洁能源依赖度总体趋势是先上升后波动性下滑的。其中 2001-2003 年

12、依赖度呈现出较高的增长水平，是由于当时我国仍旧处于以煤炭等非清洁能源资源消耗为主的粗放型经济发展模式，经济增长对非清洁能源依赖度较高。2003-2004 年依赖度短暂的维持峰值后开始呈现出下降态势，期间在 2008-2011 年经历了小幅回升，这是由于清洁能源处于发展初期，能源需求尚不稳定，因此发展较为波动。2012 后又显著下降，原因在于当时清洁能源发展势头正猛，经济对非清洁能源的需求有所下滑。而 2016 年后，经济增长对非清洁能源依赖度指数有小幅回升。经济增长对清洁能源依赖度的总体发展趋势大致经历了小幅波动和逐渐上升两个阶段。其中 2001-2011 年的变化趋势并不明朗，这主要是由于清

13、洁能源发展初期，经济增长对清洁能源的需求尚不稳定，因此呈现出波动趋势。2012 年后依赖度指数一路攀升，是由于近年来国家出台的各项清洁能源利好政策使得经济对于清洁能源的需求逐渐增强。2016年依赖度到达峰值后又有所回落，但降幅并不明显，相对于基期仍旧处于高位状态。清洁能源中，两类能源依赖度总体均呈上升趋势。其中经济增长对水能依赖度的发展趋势较为波动，大致经历了一个逐步下降，阶段性回升，短暂下降，逐步提升，后又回落的变化过程。而经济增长对核能依赖度的发展在很长一段时间内较为稳定，2001-2004 年经历了先升后降的过程，在此后的十年间一直维持稳定状态，2014 年开始迅速上升，其后除 2017

14、 年有短暂的回落外，其余年份均保持高位状态。（二）发展趋势预测为揭示未来经济增长对能源依赖度指数的发展趋势，本文基于 BP 神经网络模型实现了未来三年清洁能源与非清洁能源依赖度的预测。运用 MATLAB 程序对前文构建的神经网络进行训练及预测，得到各评价年度的最终误差及预测结果如图 2 所示。由图可知，除极个别年份的拟合误差较大外，其余年份的拟合情况良好，说明该 BP 神经网络模型具有较高的预测精度。预测结果显示，经济增长对非清洁能源依赖度的未来发展趋势是逐渐回升，而清洁能源依赖度的未来发展趋势是先有上升，2019 年后略微下滑。五、结论与讨论本文利用基于熵值权重的 GRA-TOPSIS 评价

15、方法，对经济增长对能源的依赖度进行了测度与分析，进一步采用 BP 神经网络模型对依赖度进行预测。结果显示，考察期内经济增长对非清洁能源的依赖度总体上呈先上升后波动性下滑的趋势，而清洁能源的依赖度则是经历了小幅波动和逐渐上升两个阶段。清洁能源发展初期，受到技术和资源的限制，我国对清洁能源利用不充分，经济发展对清洁能源的需求也较小，导致了清洁能源依赖度一直处于较低水平，能源需求主要还是集中在非清洁能源方面。近年来，随着我国相关能源发展战略的陆续出台，清洁能源发展加快，其能源依赖度有了显著提升。而同一时期，由于国家进一步加大了节能减排力度，加快退出落后产能，使得非清洁能源的依赖度大幅降低。2016

16、年后清洁能源依赖度有所回落，主要是由于清洁能源的消费增量占比能源消费总增量显著下降，导致清洁能源的贡献率大幅降低，但预期未来的清洁能源依赖度仍旧能维持在较高水平。相对的，非清洁能源贡献率显著提升，预测结果也表明未来的非清洁能源依赖度会逐渐回升。本文研究结果表明我国以煤炭等非清洁能源消耗为主的粗放型经济发展模式，近年来已得到一定程度的转变，清洁能源逐渐成为经济增长的一条命脉。但经济发展方式仍未得到根本性变革，非清洁能源在能源消費和经济增长中的地位依旧难以撼动，我国要实现经济形态向绿色、低碳、环保方向发展的任务，仍旧任重而道远。参考文献1范亚宣.河北省能源消费与经济发展关系研究J.商业经济，202

17、0（1）：33-34.2金殿臣，李媛.能源消费、经济增长与产业发展的实证研究基于中国 1953 年-2014 年的数据分析J.现代管理科学，2017（5）：55-57.3孟望生.经济增长方式转变与能源消费强度差异的收敛性基于中国 2001-2016年省级面板数据J.资源科学，2019，41（7）：1295-1305.4汪潇，汪发元.能源工业投资、能源消费对经济增长的影响J.统计与决策，2019，35（20）：133-136.5徐斌，陈宇芳，沈小波.清洁能源发展、二氧化碳减排与区域经济增长J.经济研究，2019，54（7）：188-202.6胡军峰，赵晓丽，欧阳超.北京市能源消费与经济增长关系研究J.统计研究，2011，28（3）：79-85.7谢和平，刘虹，吴刚.我国 GDP 煤炭依赖指数概念的建立与评价分析J.四川大学学报（哲学社会科学版），2012（5）：89-94.责任编辑：高萌作者简介沈梦涵（1996-），女，浙江杭州人，硕士研究生，研究方向：经济统计;邹昀东（1996-），山东烟台人，硕士研究生，研究方向：经济统计。