目录
1 背景
2 国内外研究现状
3 ARIMA模型的应用研究
ARIMA模型预测的基本程序
关于ARIMA模型的几个概念简介
xt=∑i=1pφixt−i+ut
xt=ut+∑i=1qθiut−i
参考文献
基于ARIMA模型的我国山西省能源消费结构
趋势分析
1 背景
能源结构是一次能源总量中各种能源的构成及其比例关系。我国的能源消费结构可以 概括为“富煤、缺油、少气”，与世界能源消费结构相比较，我国一次能源消费呈现出迥然不同的结构特点：煤炭消费比重基本上与世界上石油、天然气的消费比重相当，占60% ~ 70%；而石油、天然气的消费比重则与世界煤炭消费比重基本持平，只占20% ~ 30%，煤是一种排放物污染程度较高的能源，在煤的生产过程中也是要消耗大量能源[2]。因此，以煤为主的能源消费结构，决定我国的经济发展基础建立在高污染高能耗的基础之上，这会极大影响我国的经济发展质量，与当今世界提出的低碳目标是极不协调的。因此，对我国的能源消费总量及能源消费结构进行预测是非常必要的。在预测的基础上，对我国的能源结构进行优化，对我国的碳排放水平进行预估，进而制定出节能减排措施，对于中国树立大国的负责任形象是非常重要的[1]。本文将运用ARIMA模型，对我国的能源消费总量及消费结构进行预测。
ARIMA模型，全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是指将非平稳时间序列转化为平稳时间序列[3]，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法[6] ，所以又称为box-jenkins模型、博克思-詹金斯法。其根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。其中AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型[5]在某种程度上已经能够帮助企业对未来进行预测。
预测是重要的统计技术，对于领导层进行科学决策具有不可替代的支撑作用。
常用的预测方法包括定性预测法、传统时间序列预测（如移动平均预测、指数平滑预测）、现代时间序列预测（如ARIMA模型）、灰色预测（GM）、线性回归预测、非线性曲线预测、马尔可夫预测等方法。
居民生活消费是诱发能源消耗的重要因素之一。一方面炊事、照明和取暖等需要直接消耗能源产品；另一方面衣、食、住、行等生活消费品的生产和服务需要间接消耗能源产品[9]。随着居民收入的提高和生活方式的改善，尤其是家用电器、住房和私人交通工具的拥有量不断增加，我国居民生活能源消费量不断增长。据统计数据显示，1983-2009年，我国人均生活能源消费量从106.6千克标准煤上升到 254.2千克标准煤，增长了近1.4倍。21世纪以后，居民的生活水平逐步迈入小康，能源的消费量也进入了高速增长的阶段。未来能源的供给能否支撑我国经济的可持续增长，成为国内外关注的话题。因此做好未来能源消费预测分析，为能源规划及政策的制订提供科学的依据，对于保持我国社会经济健康、持续、稳定的发展具有重要的理论与现实意义
