基于产业链分析的批发零售业同期售电量预测研究

吕龙彪 王宝 杨敏 孙露(通讯作者) 潘文明

(1.国网安徽省电力有限公司经济技术研究院 安徽合肥 230061；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 安徽合肥 230061)

1 引言

在电价市场化改革大背景下，工商业用户全量进入市场，供售不同期问题逐步消化，而批发零售业作为经济中的重要环节，与国民经济运行密切相关。因此，本文基于同期售电和其他经济指标数据，预测批发零售业用电，为研判未来经济走势提供参考。近年来，随着大数据挖掘技术的应用，行业电力电量预测技术也发生了相应变化。

目前，国内外学者关于电量负荷预测的方法主要有两类：机器学习、人工智能算法和时间序列模型。前者多采用神经网络模型或改进的神经网络、支持向量机模型等机器学习算法构建用电负荷预测模型，并在算例分析中证明该方法较传统线性回归模型预测更为精准。后者主要有ARIMA等传统时间序列模型、SAS-SVECM模型和考虑多因素的时间序列模型。例如，王安东等(2020)提出一种基于X12季节分解方法、ARIMA模型及因子分解机的综合预测模型，并应用因子分解机算法对售电量预测结果进行修正，与传统ARIMA模型及TRAMO-SEATS模型相比，预测精度得到较大提高；董朝武等(2018)提出基于存量容量和业扩增量容量进行售电量预测的方法，并利用算例证明该方法预测精度较高；杨鑫波等(2021)为有效解决小样本振荡数据预测中存在的问题，提出一种移动平均法和GM(1，N)模型相结合的新预测方法,并以2010—2014年的第一产业季度用电数据进行模拟，以2015—2016年用电数据进行验证，最终证明了预测方法的有效性；Changrui Deng等(2021)考虑到月用电量系列通常表现出明显的季节性，且受温度的影响，构建基于PSO的具有非趋势成分和附加季节性项的SES模型预测用电量，并通过实验检验该模型提高了预测的精准度。

综上，目前行业电力预测相关研究仍然停留在单个行业或用电总量的预测上，预测方法缺少对行业间相互联动性的分析，在电量预测中也缺少对复杂因素的考量，且现有文献多以用电负荷为研究对象，较少涉及同期售电量预测。信息技术的飞速发展推动产业协作升级，使产业链各部门间的联系日益紧密，生产效率日益提高。同时，国内经济结构深化调整，经济增长动力逐步置换，为精准掌握行业发展形势、准确预测行业用电需求，本文基于安徽省投入产出比表，从前向关联与后向关联双重视角，分析产业链主要价值链条，以产业链传导为切入点，选取与行业发展相关联的上下游关键产业的经济、售电指标，构建组合预测模型体系，为辅助经济运行趋势分析提供重要借鉴。

2 批发零售业产业链分析

在经济高质量发展的新形势下，批发零售业面临创新发展和产业升级趋势，加快推动批发零售业生产向价值链高端延伸，大力培育新业态新模式是大势所趋。创新驱动新发展模式下，供给侧结构性改革引导行业中企业加快产品升级与生产线节能及环保改进，生产用电能耗变化，使电力影响因素复杂化，加大电力预测难度。产业链涵盖产品生产或服务提供的全过程，产业链协同发展通过价值链、企业链、供需链和空间链的优化配置与提升，提高产业链上下游传导效率、降低各方成本，推进经济高效运行。在产业链协同发展引导下，产业链上下游各环节环环相扣，上下游行业企业生产活动日渐形成稳定、规律的内在联系，产业链内在的运作机制为行业售电预测改进提供与时俱进的新思路。

2.1 投入分配系数测算

在经济活动过程中，各产业之间存在着广泛、复杂及密切的技术经济联系，可称之为产业关联。投入产出表是进行产业关联度分析的重要工具，反映了国民经济各部门的投入和产出、投入的来源和产出的去向，以及部门与部门之间相互提供、相互消耗产品的错综复杂的技术经济关系。投入系数、分配系数是衡量产业关联度的重要指标，利用投入系数、分配系数指标可以分析一个产业投入产出关系的变动对其他产业投入产出水平的波及程度和影响程度。

2.1.1 投入系数

投入系数，即直接消耗系数，记为aij(i，j=1，2，…，n)，是指在生产经营过程中第j产品(或产业)部门的单位总产出直接消耗的第i产品部门货物或服务的价值量。将各产品(或产业)部门的直接消耗系数用表的形式表现就是直接消耗系数表或直接消耗系数矩阵，通常用字母A表示。其中，aij值越大，表明i、j两部门直接联系越密切。直接消耗系数用公式(1)表示为：

式中，Xj为第j产品(或产业)部门的总投入；xij为该产品(或产业)部门生产经营中直接消耗的第i产品部门的货物或服务的价值量。

2.1.2 分配系数

分配系数是指国民经济各部门提供的货物和服务(包括进口)在各中间使用和最终使用之间的分配使用比例，用公式(2)表示为：

式中，xij为第i产品部门提供给第j部门中间使用/最终使用的货物或服务的价值量；M表示进口；Xi+Mi为i部门货物或服务的总供给量(国内生产+进口)。为更全面地了解某产业紧密联系的下游行业，本文对此处的分配系数测算公式进行微调，测算出中间使用占比，如公式(3)：

式中，xij为第i产品部门提供给第j部门中间使用的货物或服务的价值量；Xi为i部门货物或服务的中间总供给量。

2.2 批发零售业产业链分析

本文主要研究服务业的重点细分行业，为洞悉商业经济流通提供参考。其中，以批发和零售业为例，具体说明批发零售业同期售电量预测模型的构建过程。

批发和零售业作为商品流通的主体行业，是连接生产和消费的桥梁及纽带，在国民经济中发挥着承上(生产)启下(消费)的重要功能。批发和零售产业链上游行业主要包括租赁商务、房地产、金融、交通运输等提供资金、房屋租赁、商品运输等服务的行业及电热等动力行业；下游行业主要包括纺织、化工、食品烟草、电气机械等制造业及住宿餐饮、交通运输、卫生等服务业。根据安徽省2017年投入产出表绘制行业产业链图(图1)，本省投入批发和零售业最多的为租赁商务服务，占总投入的10.5%，其次为房地产(7.8%)、金融(5%)等。从产出流向来看，电气机械产业(13.4%)消耗最多，其次为食品烟草(11.8%)、交通运输设备(8.8%)、建筑业(8.6%)等。此外，22.5%的批发和零售服务流向终端市场。

图1 批发和零售业产业链图

3 批发零售业同期售电量预测

3.1 批发零售业投入分配系数测算

根据梳理的重点行业产业链上下游相关产业，进一步测算分析重点行业的同期售电指标与上下游相关行业电力指标及增加值、产量、投资等经济指标做时差相关性，筛选出具备最优相关系数并呈现先行性的关键影响指标作为构建重点行业同期售电量预测模型的因子。

时差相关分析是利用相关系数验证时间序列先行、一致或滞后关系的常用方法。时差相关系数的计算首要步骤，即选定基准指标，再将待选指标进行超前或滞后若干期处理，并测算待选指标与基准指标间的相关系数。通过对比不同超前或滞后阶数的相关系数，确认其中最大的时差相关系数及对应超前或滞后阶数。一般认为，该相关系数反映待选指标与基准指标间的时差相关关系，具体测算公式如公式(4)所示：

式中，l表示超前、滞后期数，l取负数时表示超前，取正数时表示滞后，l被称为时差或延迟数。L是最大延迟数；ln是数据取齐后的样本长度。

基于批发和零售业产业链上下游行业分析，进一步通过批发和零售业售电累计增速与上下游相关行业电力指标及增加值、产量、投资等经济指标做时差相关性分析，筛选出相关系数强并呈现先行性的关键影响指标，具体结果如表1所示。电力指标中，房屋建筑业、建筑安装业等行业与批发和零售业售电量显示出强关联性(相关系数分别为0.82、0.80)，且均先行12期；经济指标中，煤炭开采和洗选业规上增加值增速(0.87)、黑色金属矿采选业规上增加值增速(0.83)、纸制品产量增速(0.74)等与批发和零售业售电量显示出强关联性，均先行12期。

3.2 批发零售业同期售电量预测模型构建

3.2.1 组合回归预测模型

行业同期售电量先行指标具备预示行业同期售电量发展趋向的作用，因而可以将其作为解释因子构建模型，预测行业同期售电量。考虑先行指标池中指标间关联性较大，构建多元模型容易出现共线性问题，因而采用一元线性回归模型进行预测。同时，为规避单个预测模型无法有效利用各类有用信息这一限制，采用组合预测方法，以优化预测。

组合预测有以下两种基本形式：

(1)等权组合，即各预测方法的预测值按相同的权数组合成新的预测值。

(2)不等权组合，即赋予不同预测方法的预测值的权数是不一样的。

这两种形式的原理和运用方法完全相同，只是权数的取定上有所区别。根据已有研究结果，采用不等权组合的预测法结果较为准确。

构建行业同期售电量预测模型步骤如下：(1)基于行业同期售电量与待选指标(其他经济电力指标)的时差相关分析结果，依次构建各先行指标与重点行业同期售电量增速的回归方程，得到行业同期售电量预测模型体系。(2)测算模型池内各模型权重系数，权重设置以指标时差相关系数值作为判断标准。(3)构建各预测期的加权组合预测模型，实现优化预测。

具体来看，构建单元回归预测模型体系如公式(5)所示：

其中，Y(i)为行业同期售电量累计增速序列；X(i)(-t(i))为第i个解释变量滞后t期序列；t为时差相关性结果得到的最优先行阶数；µ(i)为随机干扰项。

另外，设R Square为第i个模型的解释变量与被解释变量间的相关系数的平方，以单元回归预测模型体系为基础划分模型池，构建加权组合预测模型如公式(6)所示：

3.2.2 批发零售业同期售电量预测

在构建服务业重点行业同期售电量预测模型时，需要增加对空调电量剔除与还原的步骤(见图2)。在剔除空调电量后，服务业重点行业同期售电量与指标池口径相一致，可用前述预测模型构建方法预测服务业行业同期售电量。

图2 服务业行业同期售电量预测与空调电量剔除还原思路

构建服务业各行业冬/夏日电量与气温回归模型如公式(7)所示，测算得到单位温降/升电量：

其中，Yt为行业冬/夏季日电量序列，冬季样本选取12月、1月和2月，夏季样本选取6月、7月、8月、9月；a为单位温降/升电量(kwh/天)；Wt为全省冬/夏季日平均气温序列；µt为随机干扰项。

设定基年，剔除、还原其他年份与基年同月份(冬/夏季)气温差形成的空调电量方法如下：

其中，Ym′ 为剔除空调电量后的行业月同期售电量序列；Ym为行业月同期售电量或还原空调电量后的行业同期售电量；a为单位温降/升电量(kwh/天)；d为月天数；Wm为月平均气温；W2017为2017年(基年)月平均气温。

基于上述提出温度电量操作后，本文结合产业链分析和时差相关性分析，选取房屋建筑业售电量累计增速、建筑安装业售电量累计增速、煤炭开采和洗选业规上增加值增速和黑色金属矿采选业规上增加值增速等指标作为解释变量，采用加权回归预测模型对批发和零售业售电量进行预测，并对预测值进行空调电量的还原操作，最终预测结果如图3所示。

图3 批发和零售业同期售电量预测

年初安徽消费市场承压前行，但同时全省扎实推进“皖美消费”行动，落实各项促消费政策措施，安徽商业经济呈现复苏趋势，预计2022年下半年批发和零售业售电量增速有望平稳恢复。如表2所示，2022年四季度批发和零售业售电量当季值约为30.6亿千瓦时，同比增速约为8.3%，全年批发和零售业售电量约为132.7亿千瓦时，同比增长10.0%。同时，对2022年第二、三季度批发和零售业售电量进行回测检验，与实际值相比，回测误差分别为2.6%、-2.5%，预测准确性较高。

表2 批发和零售业季度售电预测

4 结语

本文通过梳理产业链结构，并引入时差相关分析算法，基于电力经济指标池挖掘行业间最优关联系数及对应的先行滞后阶数，探究产业链内部协作规律的同时，根据产业链主要价值链条，选取合适的行业及关联产业经济、电力指标构建批发和零售业同期售电量及同期售电量总量预测模型体系，主要得到以下结论：

(1)基于产业链分析的批发零售业同期售电量预测模型体系，2023年下半年批发零售业将呈现稳定恢复态势。(2)基于产业链分析的同期售电量预测模型体系，建议对批发零售业上游产业(租赁和商务、房地产业)采取相应刺激措施，以促进“皖美经济”复苏。