2017年-世界发展银行全球_Assessing_the_Accuracy_of_Electricity_Demand_Forecasts_in_Developing_Countries_35页_1mb

总结：评估发展中国家电力需求预测的准确性

核心内容

本研究评估了时间序列计量方法在发展中国家电力需求预测中的准确性。通过分析106个发展中国家1960-2012年的历史数据，研究发现时间序列计量方法在大多数国家中表现出高度准确性，并且显著优于简单的启发式模型，如假设电力需求以外生率增长或与实际GDP增长成比例的模型。然而，在经济和结构快速转型或受冲突和环境灾难影响的国家和区域，预测质量会下降。

主要观点

• 时间序列计量方法优于启发式模型：研究发现，基于时间序列的计量模型在预测电力需求方面比常用的启发式模型表现更好，尤其是在中长期预测中。
• 模型选择与数据特性相关：不同的预测方法适用于不同的数据特征。例如，VAR/VECM模型适用于与宏观经济因素高度相关的电力需求预测，而GARCH模型在电力供应波动较大的国家中表现更优。
• 数据限制与替代指标：在许多发展中国家，尤其是南亚和撒哈拉以南非洲，电力需求数据难以获得，因此研究采用电力生产数据作为替代指标。
• 预测准确性度量：研究使用了对称平均绝对百分比误差（sMAPE）和均方根误差（RMSE）来评估预测方法的准确性，同时采用中位数相对绝对误差（MdRAE）和Diebold-Mariano检验来比较不同方法的相对表现。
• 预测误差的统计显著性：在大多数情况下，预测误差差异具有统计显著性，表明所选方法在预测电力需求时优于基准模型。

关键信息

1. 数据与方法

• 研究范围：涵盖106个发展中国家，时间跨度为1960-2012年。
• 数据来源：
  • 电力生产数据来自OECD/IEA扩展世界能源平衡数据库。
  • 人口和实际GDP数据来自Penn World Tables，版本8。
• 预测方法：
  • VAR/VECM：适用于电力需求与宏观经济因素高度相关的国家。
  • GARCH：适用于电力供应波动较大的国家。
  • ARIMA：适用于电力需求受外部因素影响较小的国家。
  • Holt-Winters：适用于具有线性趋势的电力需求预测。
  • Unobserved Components Models（UCM）：适用于具有随机趋势和周期性的电力需求预测。
• 模型规格：共估计了33种用于平稳电力需求的模型规格和36种用于非平稳电力需求的模型规格。

2. 预测准确性度量

• sMAPE：衡量预测误差的对称平均绝对百分比，避免了实际值接近零时的大误差问题。
• RMSE：衡量预测误差的均方根，对较大的误差赋予更高权重。
• MdRAE：衡量预测模型相对于随机游走模型的相对误差。
• Diebold-Mariano检验：用于检验不同预测方法之间的误差差异是否具有统计显著性。

3. 预测方法表现

• 5年预测：
  • GARCH模型在sMAPE和RMSE标准下表现最佳，分别有36.79%和27.35%的频率。
  • VAR2/VEC2模型表现次之，分别有19.81%和21.69%的频率。
  • ARIMA模型表现良好，有12.25%和16.02%的频率。
  • Holt-Winters和UCM模型表现相对较差。
• 10年预测：
  • VAR3/VEC3模型表现最佳，频率为28.57%和31.41%。
  • GARCH模型表现次之，频率为32.35%和31.41%。
  • UCM-RWC模型表现最差，预测误差显著增加。

4. 预测误差与基准模型比较

• 与Näve模型比较：
  • 最佳模型在5年预测中比Näve模型的sMAPE误差降低77%，在10年预测中降低74%。
  • VAR/VEC和GARCH模型在5年和10年预测中均优于Näve模型。
  • Holt-Winters和UCM模型则表现较差。
• 与Näve2模型比较：
  • 最佳模型在5年预测中比Näve2模型的sMAPE误差降低184%，在10年预测中降低124%。
  • VAR/VEC、GARCH、ARIMA和Holt-Winters模型均优于Näve2模型。
  • UCM-RWC模型表现最差，预测误差增加16%至40%。

5. 不同国家组的预测效果

• 按地区：
  • 东亚和太平洋（EAP）地区的预测误差最低，sMAPE为0.05，MdRAE为0.54。
  • 非洲（AFR）地区的预测误差较高，sMAPE为0.09，MdRAE为0.44。
• 按收入水平：
  • 高收入国家的预测误差相对较低。
• 按发电能力与能源强度：
  • 发电能力较低或能源强度较高的国家预测误差较高。

结论

时间序列计量方法在大多数发展中国家的电力需求预测中表现出高度准确性，显著优于启发式模型。然而，在经济结构变化剧烈或受外部冲击影响较大的国家，预测质量会下降。因此，选择适当的预测方法并考虑数据特性是提高预测准确性的关键。