电力消费量与国房景气指数关系研究

李海

（四川大学经济学院，成都610065）

0　引言

当前，对各种大数据的发掘和利用正被越来越多的经济学家、企业家们所重视，大数据中蕴含着许多经济学和企业管理方面宝贵信息。电力消费数据作为大数据中的一种，可以反映出全社会的生产状况，是衡量宏观经济走势一个重要指标。目前，电力消费数据已经可以通过计量系统，实时产生大数据。随着技术的进步和互联网技术的发展，电力消费数据的取得将越来越方便和准确及时。利用电力消费大数据建立相应的预测模型为国家宏观调控服务，应用前景十分广阔。

房地产业是当前我国经济类别中的重要综合性产业，房地产行业投资活动，是当前国民经济中的重要投资类别。全国房地产开发业综合景气指数（简称国房景气指数）每年从3月到12月，逐月发布，并用百分制表示。国房景气指数又分为房地产开发综合指数、房地产开发投资指数、土地开发面积指数、销售价格指数等4类。房地产开发综合指数值100为景气线，100以上为景气空间，100以下为不景气空间。通过对景气所处空间、景气值波动幅度、趋势的评估发布，可为国家宏观调控提供决策依据，引导中国房地产业健康、有序发展。

国内外许多学者对电力消费总量与宏观经济的关联性等进行过许多研究，也取得了较好的成果[1-5]。从研究和可以公开得到的数据来看，房地地产投资活动，目前重要的统计数据应为国家统计局公布的32个房地产统计指标和国房景气指数，本文将重点研究电力消费数据和国房景气指数间的相关性、时间轨迹趋势、滞后性以及预测模型等，力求尽可能发掘数据的价值，为国民经济建设服务。因此，本文主要收集了2011—2015年的月度分行业电力消费大数据，按全社会、第一产业、第二产业、第三产业、轻工业、重工业、城乡居民生活的分类，分析其与国房景气指数的关系，采用皮尔逊系数（Pearson）进行相关性分析，建立时间系列对比并观察其趋势关系，应用分布滞后模型与阿尔蒙估计法（Almon）对其进行建模分析，研究电力消费与国房景气指数的滞后关系，同时建立月度电力消费数据与国房景气指数间的数学预测模型，以便更好利用电力数据为房地产业投资活动统计和宏观管理服务。

1　分析方法

为进一步分析电力消费与国房景气指数的关系，本文采用目前经济学领域常用皮尔逊相关系数、时间轨迹分析及分布滞后模型与阿尔蒙估计法进行分析。

1．1　Pearson相关系数

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。皮尔逊相关系数（Pearson）是进行相关性分析的重要方法，主要用于度量两个变量X和Y之间的相关（线性相关），其值介于-1与1之间，常称为积差相关系数，适用于研究连续变量之间的相关程度。利用相关系数r的大小可以判断变量间相关关系的密切程度，计算公式为（1），本文采用SPSS19.0统计软件进行计算。

其中：X的离均差平方和：LXX=∑(X-)2;Y的离均差平方和：LYY=∑(Y-)2;X与Y间的离均差积和：LXY=∑(X-)(Y-)。两对数据，当相关系数|r|=0时，完全不相关；当0＜|r|≤0.19时，极低相关；当0.2＜|r|≤0.39时，低度相关；当0.4＜|r|≤0.69时，中度相关；当0.7＜|r|≤0.89时，高度相关；当0.9＜|r|≤1时，极高相关；|r|=1时，完全相关。

1．2　分布滞后模型与阿尔蒙估计法

在经济运行过程中,普遍存在时间滞后效应。有些经济变量不仅受到同期各种因素的影响,而且也受到过去某些时期的各种因素甚至自身的过去值的影响。由于房地产投资和采购相关的资源存在一定的时间差，电力作为生产产品的重要资源，必须先行投入，然后才能够形成商品进入房地产投资领域，因此从现实生产中来看，需要分析电力消变量对房地产投资的滞后效应。因此把滞后变量引入回归模型，这种回归模型称为滞后变量模型。滞后变量模型的一般形式为：

其中，s、q分别为滞后解释变量和滞后被解释变量的滞后期长度。

阿尔蒙估计法的原理，是设有限分布滞后模型为：yt=a+b0xt+b1xt-1+…+bkxt-k+εt;连续函数bi=f(i)可以用滞后期i的适当次多项式逼近：bi=f(i)=α0+α1i+α2i2+…+αmim(m＜k)。

将此关系式代入原分布滞后模型，经过适当的变量变换，可以减少模型中的变量个数，从而在削弱多重共线性影响的情况下，估计模型中的参数。分布滞后模型可以表示成：

设bi可以用二次多项式近似表示，即：bi=α0+α1i+α2i2。将此代入分布滞后模型，整理得：

变换为Almon变换；则原分布滞后模型可以表示成：

利用OLS法估计系数，进而得到bi的估计值：

2　实证分析

2．1　数据处理

根据中国电力企业联合会网站每月定期公布的《全国电力工业统计数据一览表》，2011—2015年间每月的全国全社会、第一产业、第二产业、第三产业量、轻工业、重工业、城乡居民生活用电量，单位为亿千瓦时。为便于和国家统计局公布的房地产业投资活动指标进行对比，此处电力消费增长率，按式（7）进行计算，同时删除1月份数据以便于和国房景气指数进行对比，可得到下页表1。

其中：P（i）为当月行业用电同比增长率；Pc（i）为当月分行业电力消费总量；Pc（i-12）为上年同月分行业电力消费总量。

总之，标准是MyGDI的关键，没有标准，MyGDI就不能实现空间数据的共享和转换。MyGDI标准的顺利制定在很大程度上取决于用户组织、马来西亚国家测绘与空间数据委员会（TC12）及马来西亚科技与创新部（MOSTI）所属的马来西亚标准和工业研究院（SIRIM BERHAD）的共同努力和合作。

2．2　电力消费与国房景气指数相关性分析

为进一步观察全社会、第一产业、第二产业、第三产业产业、轻工业、重工业、城乡居民生活与国房景气指数的关系，本文采用SPSS19.0软件对上述数据进行皮尔逊相关系数分析（见表2），从分析的情况看，国房景气综合指数与全社会用电量增长率相关性最高为0.658**，其次是第二产业用电量增长率，为0.650**。这说明房地产投资景气情况与电力消费的关联度较高，对各行业，特别是第二产业的带动较为明显。

表1　电力消费增长率与国房景气综合指数（样本数=55）

表2　用电量增长率、国房景气综合指数皮尔逊相关系数分析（样本数=55）

2．3　电力消费与国房景气指数时间轨迹分析

为便于观察电力消费与房地产业投资活动的变化，本文选择了2011—2015年各年2—12月的全社会用电量和国房景气综合指数进行时间轨迹分析观察（见图1）。

图1 全国全社会用电量和国房景气综合指数时间轨迹分析图

从时间轨迹看，2011—2015年电力费量累计增长率和国房景气指数的变化趋势非常相近，均处于下降变缓趋势。从图1中也发现，全社会用电增长率、国房景气综合指数，从2012年2—12月期间增期间有所回升，2013年起又开始持续下行。从月度情况，每年2—3月期间，发现电力统计数据会发生波动，主要考虑到1—3月期间经历春节的因素，因此电力统计数据存在一定的波动，影响到数据的准确性。

2．4　分布滞后模型分析

通过相关性分析，观察时间轨迹分析，发现电力消费量和国房景气指数相关性较强，变化和发展趋势非常相近，为此本文选取了全社会用电量增长率（x）和国房景气指数（y）作为重点研究对象，分别采用Eviews6.0进行滞后性分析，工作文件数据来源于表1数据。

打开Eviews6.0工作文件，在命令框键入“CROSS y x”，可输出图2，可看出全社会用电增长率（x）和国房景气指数（y）存在一定的滞后性，约为3个月，滞后中度以上相关系数分别为i0=0.6581、i1=0.6044、i2=0.5280、i3=0.4367，根据结果可设式（8），假定bi可以用一个二次多项式逼近：

图2 全国全社会用电累计增长率和国房景气指数分析图

2．5　阿尔蒙估计法建模

全社会用电增长率（x）和国房景气指数（y）模型，打开Eviews6.0工作文件，在EViews6.0软件的LS命令中使用PDL项，在命令框键入“LS y C PDL(x,3,2,0)”，其中，3为滞后期长度，2为多项式次数，0为对分布滞后特征进行控制的参数（对参数分布不作任何限制），可输出图3。

图3 全国全社会用电增长率和国房景气指数建模分析图

在Eviews6.0软件输出图3窗口的上部给出了a值=c=51.96606，下部给出了还原后的bi估计值a0=i0=0.14199,a1=i1=0.10635,a2=i2=0.08657,a3=i3=0.08267可得出式（9），该式展示了全社会用电累计增长率和国房景气指数的数学模型：

2．6　模型验证

为进一步验证模型的准确性，本文选取了2015年全年和2016年2—6月国家统计局、国家信息中心、中国电力企业联合会公布的最新数据，对采用阿尔蒙估计法建立的模型式（9）进行验证。按式（10）计算公布值和计算值的实际相对误差Υ：

其中△x为公布值-计算值，L为公布值。

表3　2015年2月至2016年6月国房景气指数公布值和计算值（样本数=16）

表3计算值和公布的国房景气指数值的误差范围最大为2015年6月的1.62%，其次是2016年5月的1.28%、2016年6月的1.27%，误差的绝对值平均数仅为0.83%。通过对比计算，本文发现式（10）数学模型具有一定的准确率，通过电力消费量预测和校准国房景气指数具有一定的参考价值。

通过对式（9）模型进行进一步验证，本文也发现模型逼近的最近数据的精度较高，如2015年9月至2016年2月间的模型计算精度较高，其他时段的精度开始逐渐变差。本文通过了进一步的试算，该模型如需要进一步提高准确性，需采用最新的数据进行动态滚动建模分析，具体方法可参考上述方法进行重复，由于篇幅所限，此处不再进行进一步分析。

3　结论和建议

通过皮尔逊相关系数计算本文发现，电力消费增长率与国房景气指数的波动相关度较高。通过时间轨迹分析发现，2011—2015年电力费量累计增长率和国房景气指数的变化趋势非常相近，均处于下降变缓趋势。全社会用电增长率、国房景气综合指数，从2012年2—12月期间有所回升，2013年起又开始持续下行。通过对全国全社会电力消费增长率与国房景气指数进行滞后性分析，发现全国全社会电力消费增长率与国房景气指数存在3个月左右的滞后期。通过分布滞后模型与阿尔蒙估计法对国全社会电力消费增长率与国房景气指数进行建模，采用该模型，并通过对比2015年2月至2016年6月期间的国房景气指数计算值和发布值进行对比分析，模型计算精度最大误差为1.62%，平均误差为0.83%，由此可见式（9）在利用全国全社会电力消费增长率来计算国房景气指数具有一定的参考性。目前我们已经能够按月和按季度获得全国分行业的电力消费数据。随着技术的进步和“互联网+”的发展，电力消费数据的取得将会越来越方便和全面准确。通过电网公司的调度、营销、配网和智能电表，在不远的将来，将很快能够获得全国的分行业实时数据，甚至每家每户的实时电力消费数据。这些数据对于分析我国宏观和微观经济以及国房景气指数等的情况，都将有十分重要的意义。下一步应该加强电力消费大数据的挖掘和运用研究，为我国的经济社会发展和国房景气指数的管理和预测贡献力量。

参考文献：

[1]朱天星,徐明圣,李倩,李丹.我国电力消费与经济增长关系研究[J].价格理论与实践,2010,(10).

[2]张龙.宏观经济与用电量关系辨析[J].中国电力企业管理,2012,(8).

[3]夏森茂,陈逢文.电力消耗与经济增长关系研究的文献综述[J].商业时代,2009,(12).

[4]林伯强.电力消费与中国经济增长:基于生产函数的研究[J].管理世界,2003,(11).

[5]王建林,赵佳佳.能源消费和经济增长的因果关系测度与分析——基于中国样本[J].工业技术经济,2008,(1).