中国能源需求影响因素实证分析

中国能源需求影响因素实证分析【内容摘要】本文针对近年来愈演愈烈的能源问题，引入1978年到2002年统计数据，建立能源需求模型，运用计量经济学的方法，对影响中国能源需求的各种因素进行实证分析，以加深对能源问题的认识，进而从我国的实际情况出发，分析其产生的内在原因,为我国的能源安全提出一些可行性建议。希望能够对我国能源的可持续发展出一份薄力。需要指出的是，我们在模型分析中发现西方经济学中关于“需求曲线向下倾斜”的结论不适合我国的能源需求分析。【关键词】能源需求能源问题可持续发展一、问题的提出及经济理论阐述去年以来，我国先后有22个省份拉闸限电，西南地区、东南沿海及其他地区成品油告急，用电高峰时电煤频频告急。由于我国一些地区先后出现“电荒”“油荒”“煤荒”，能源一下子成为热点问题受到人们的普遍关注。告别短缺经济已多年，能源紧张到底是为什么？去年，我国人均GDP超过了1000美元，在一些城市包括北京、上海、广东、深圳、宁波、南京，人均GDP已经超过了2000美元甚至3000美元。按照经济发展规律，人均GDP超过了1000美元以后，经济、社会将随之发生许多变化：比如开始进入工业化中期即重化工业阶段，机械、汽车、钢铁等重化行业快速发展。比如城乡二元经济结构将逐步改变，使城市化水平不断提高、农村人口大量向城市转移。比如随着收入增加，居民消费升级到新的结构，住房、家电和轿车成为消费热点。而在新一轮全球产业布局中，我国正成为一个规模庞大的世界加工制造基地。所有这些，都将增强我国经济社会发展对能源增长的预期，使能源消费继续保持强劲增长：因为重工业单位增加值的能耗明显高于轻工业，重化工业的发展，会使能源消耗大幅增加；城镇人口的增加，意味着能源消耗水平的提高，因为城镇人口年均消耗能源是农村的3.5倍；住房、家电和轿车等消费增加会使人均能源消耗增长；世界加工制造业向我国转移中，也转来了一些高耗能制造业。能源是支持经济增长的重要物质基础和生产要素。能源经济学认为，能源消费量越大，产品产量越多，社会产量越多，社会也越富足，人们才能享有更多的物质文明和精神文明。能源消费量的不断增长，是现代化建设的重要条件。因此，一个国家的能源消费水平是衡量其现代化水平的重要标志。能源短缺，供求关系严重失调，就会突出地影响经济发展和人民生活水平的提高。所以，保持能源的稳定供应，不断提高能源消费水平，是现代化建设的重要条件。我国能源工业的迅速发展和改革开放政策的实施，促使能源产品特别是石油作为一种国际性的特殊商品进入世界能源市场。随着国民经济的发展和人口的增长，我国能源的供需矛盾日益紧张。同时，煤炭、石油等常规能源的大量使用和核能的发展，又会造成环境的污染和生态平衡的破坏。可以看出，它不仅是一个重大的技术、经济问题，而且以成为一个严重的政治问题。鉴于此，研究能源问题不仅具有必要性和紧迫性，更具有很大的现实意义。由于我国目前面临的所谓“能源危机”，主要是由于需求过大引起的，而能源供给一般在较短的时间内难以有很大改变，因为能源尤其像石油，煤炭等具有不可再生性，很大程度上是由该国的资源禀赋决定的。而我国作为世界上最大的发展中国家，人口众多，所需能源不可能完全依赖进口，所以，研究能源的需求显得更加重要。所以，我们主要从此处着手对影响中国能源需求的各种因素进行研究。根据西方经济学消费需求理论，影响消费需求的因素有：商品的价格、消费者收入水平、相关商品的价格、商品供给、消费者偏好以及消费者对商品价格的预期等。对于相关商品价格的替代效应，我们认为其只存在能源品种内部之间，而消费者偏好及消费者对商品价格的预期因数据难找。另外，发展经济学认为，来自知识、人力资本的积累水平所体现的技术进步不仅可以带动劳动产出的增长，而且会通过外部效应可以提高劳动力、自然资源、物质资本与生产要素的生产效率，消除其中收益递减的内在联系，带来递增的规模收益。另外，资本的价格也对需求有一定影响。资本价格提高对能源需求量的影响来自两个方面：一是资本价格提高，企业将使用相对便宜的机器设备替代劳动力，更多的机器设备必然增加能源需求，这种效应通常称为替代效应；二是资本价格提高，企业生产成本增加，将导致产品价格提高，产品需求量减少，企业对所有生产要素需求均下降，这种效应通常称为规模效应。替代效应与规模效应同时发生，但作用方向相反。资本价格提高对能源需求的影响是两种效应综合作用的结果，如果替代效应大于规模效应，则资本价格提高，能源需求增加；如果替代效应大于规模效应，则资本价格降低，能源需求减少。由于目前没有比较科学合理的资本价格数据，只能放弃对资本价格的估计。故这里我们引入能源价格、居民收入、科技进步、能源供给量和工业产出五个变量对能源需求进行分析。二、数据选取及模型设定1.能源需求总量，在模型中用y表示，是指一次性能源消费总量,由煤炭,石油,天然气和水电4项组成(单位：万t标准煤)。2能源需求的影响因素：（1）能源价格，用能源产品出厂价格指数来衡量模型中用x1表示，它由煤炭、石油、电力工业出厂价格指数加权计算得到。为了使价格具有可比性,具体如下①1978年煤炭、石油、电力行业出厂价格指数为100,其他年份以1978年为准进行换算得到各年能源行业出厂价格指数；②根据各年煤炭、石油、电力在总能源中所占比重确定权数。（具体数具参见原始数据一）（2）剔除物价的工业总产值（亿元），模型中用x2表示，它由由现价计算的工业总产值除以当年的工业总产值价格指数（假定基期=1978）。（3）剔除物价的城镇居民家庭人均可支配收入（元），用X3表示，它也是由各年家庭人均可支配收入绝对数用价格指数计算得到。（4）科学研究与综合技术服务业人员数（万人），用x4表示，直接由各年度统计年鉴查得。关于科技进步的衡量因素没有一个定论，也没有相关理论支撑，所以我们只能凭借经验与数据收集的便利，决定以科学研究与综合技术服务业人员数来替代科技因素。（5）能源生产总量（万吨标准煤），用X5表示，直接由各年度统计年鉴查得。能源供给总量其实应包括国内能源生产总量与进口量，但因为进口能源量存在统计口径等各方面原因，资料难以收集，实际来看，国内能源生产总量占能源供给的绝大部分，故在此我们选取国内能源生产总量代表能源供给量。（6）其他因素。我们将由于各种原因未考虑到和无法度量的因素归入随机误差项，如国家的经济结构政策、消费者偏好等。表1、原始数据一年份能源消费总量(万吨煤)电力工业产品出厂价格指数石油工业产品出厂价格指数煤炭工业出厂价格指数水电比重原油(含天然气)比重原煤比重1978571441001001003.1103.170.3197958588101.7100.6113.43.3116.770.219806027598.4102.1106.43.8110.269.4198159447101.699.3102.64.2106.870.219826206798.9100.5101.94.5106.471.3198366040105.6106.3101.54.8106.371.6198470904102.1112102.64.5107.172.4198576682103.4107.2117.64.3121.972.8198680850102.4104.696.84.3101.172.4198786632103.1104102.84.4107.272.6198892997101.7106.8110.64.5115.173.1198996934105.9108.4112.24.6116.874.1199098703107.4107.1106.24.811174.21991103783116.9118.8113.14.7117.874.11992109170108.8115.3116.14.8120.974.31993115993135.9171.3139.75.3145741994122737139.5148.7122.25.9128.174.61995131176109.5121.2111.36.2117.575.31996138948113.1104.6113.75.8119.575.21997137798114107.41086.5114.574.11998132214105.59396.67.1103.771.91999130119100.9109.694.87.6102.468.32000130297102.4144.398.18.2106.366.62001134914102.399.1106.58.7115.268.62002148000100.895.2111.68.9120.570.7表2原始数据二年份工业总产值（亿元）工业总产值价格指数城镇居民家庭人均可支配收入（元）指数(1978=100)科学研究与综合技术服务业人员数（万人）能源生产总量（万吨标准煤）19784237113.5343.4100926277019794681.3108.8387112.71006456219805154.26109.3477.61271056373519815399.78104.3491.9127.61116322719825811.22107.8526.6133.91186677819836460.44111.2564140.61217127019847617.3116.3651.2158.11257785519859716.47121.4739.1160.413185546198611194.26111.7899.6182.513788124198713812.99117.71002.2186.914291266198818224120.81181.4182.514495801198922017.06108.51375.7182.8147101639199023924.36107.81510.2198.1152103922199126625114.81700.6212.4156104844199234599124.72026.6232.9159107256199348402127.32577.4255.1166111059199470176124.23496.2276.8174118729199591894120.34283290.3178129034199699595116.64838.9301.61761326161997113733113.15160.3311.91791324101998119048110.85425.1329.91681242501999126110111.65854360.6165109126200085674116.96280383.7164109000200195449114.66859.6416.31541209002002110776118.27703472.1151139000表3计算、调整后的最终数据年份能源消费总量(万吨煤)能源产品出厂价格指数剔除物价的工业总产值（亿元）科学研究与综合技术服务业人员数（万人）能源生产总量（万吨标准煤）19785714410042379262770197958588109.62194302.66510064562198060275104.94364334.28310563735198159447101.71324353.54211163227198262067101.42624346.25511866778198366040102.82964345.15412171270198470904104.74894405.18812577855198576682114.60784628.6381318554619868085098.85824774.04913788124198786632103.08925004.98514291266198892997109.34835466.27914495801198996934111.10086086.641147101639199098703106.44666135.3581521039221991103783114.4875947.6771561048441992109170115.58246198.0461591072561993115993146.03986811.241661110591994122737128.38827951.1491741187291995131176113.01998654.9151781290341996138948111.93628044.7891761326161997137798108.27368122.711179132410199813221496.47597673.559168124250199913011998.83047283.8341651091262000130297110.0954232.9691641090002001134914104.45484115.1231541209002002148000107.29324040.542151139000以上数据来自：各年度《中国统计年鉴》中国统计出版社中华人民共和国国家统计局网《中国工业经济统计年鉴》回归模型设立如下：Yt=+X1t+X2t+X2t+X4t+X5t+UtYt------能源需求总量(万吨煤)X1t-----能源产品出厂价格指数（加权计算煤炭、石油、电力工业出厂价格指数）X2t-----剔除物价的工业总产值（亿元）X3t----剔除物价的城镇居民家庭人均可支配收入（元）X4t----科学研究与综合技术服务业人员数（万人）X5t-----能源生产总量（万吨标准煤）Ut------随机扰动项-----待估参数t=1978-----2002三、模型检验假设模型中随机误差项Ut满足古典假设，运用OLS方法估计模型的参数，利用计量经济计算机软件Eviews计算可得如下结果：表4DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:12:48Sample:19782002Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.C-9312.5035126.452-1.8165590.0851X1102.283652.304831.9555290.0654X2-1.8407870.497535-3.6998150.0015X327.045732.21348312.218630.0000X4181.106560.696162.9838220.0076X50.5801780.0664378.7327720.0000R-squared0.995733Meandependentvar100096.5AdjustedR-squared0.994610S.D.dependentvar30643.48S.E.ofregression2249.721Akaikeinfocriterion18.48056Sumsquaredresid96163651Schwarzcriterion18.77309Loglikelihood-225.0070F-statistic886.7535Durbin-Watsonstat1.617818Prob(F-statistic)0.000000回归方程为：Y=-9312.503+102.2836*X1-1.840787*X2+27.04573*X3+181.1065*X4+0.580178*X5（5126.452）（52.30483）（0.497535）（2.213483）（60.69616）（0.066437）t=（-1.816559）（1.955529）（-3.699815）（12.21863）（2.983822）（8.732772）R2=0.995733F=886.7535（一）经济意义检验由回归估计结果可以看出,城镇居民家庭人均可支配收入、科学研究与综合技术服务业人员数、能源生产总量与能源需求总量呈线性正相关，与现实经济理论相符。而能源产品出厂价格指数与能源需求总量呈线性正相关，工业总产值与能源需求总量呈线性负相关，这两点上，不符合经济意义。（二）统计推断检验从估计的结果可以看出，可决系数R2=0.995733,F=886.7535，表明模型在整体上拟合地比较理想。系数显著性检验：给定α=0.05，X2、X3、X4、X5的t的P值小于给定的显著性水平，拒绝原假设，接受备择假设，表明工业总产值、城镇居民家庭人均可支配收入、科学研究与综合技术服务业人员数、能源生产总量对能源需求总量有显著性影响；仅有X1的t的P值大于给定的显著性水平，接受原假设，表明能源产品出厂价格指数对能源需求总量影响不显著。（三）计量经济学检验1、多重共线性检验由表4可看出,模型整体上线性回归拟合较好，R2与F值较显著，而解释变量X1的t检验不显著,并且X1、X2的系数的符号与经济意义相悖，则说明该模型存在多重共线性。在Eviews中计算解释变量之间的简单相关系数，得如下结果，也可以看出解释变量之间存在多重共线性。表5X1X2X3X4X5X110.3483000993650.1291940938320.3871687106350.299079945437X20.34830009936510.5777601386670.7824266615490.667649490603X30.1291940938320.57776013866710.8345606228060.907149867083X40.3871687106350.7824266615490.83456062280610.926739884058X50.2990799454370.6676494906030.9071498670830.9267398840581用逐步回归法修正模型的多重共线。①运用ols方法逐一求Y对各个解释变量的回归。结合经济意义和统计意义选出拟和效果最好的一元线性回归方程。经分析在五个一元回归模型中能源需求总量y对能源生产总量x5的线性关系强,拟合程度好。表6DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:12:54Sample:19782002Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.C-21020.325617.857-3.7416970.0011X51.2235410.05515622.183080.0000R-squared0.955348Meandependentvar100096.5AdjustedR-squared0.953406S.D.dependentvar30643.48S.E.ofregression6614.583Akaikeinfocriterion20.50856Sumsquaredresid1.01E+09Schwarzcriterion20.60607Loglikelihood-254.3570F-statistic492.0891Durbin-Watsonstat0.582287Prob(F-statistic)0.000000由表6得：Y=-21020.32092+1.223540945*X5（5617.857）（0.055156）t=（-3.741697）（22.18308）R2=0.955348F=492.0891②逐步回归。将其余解释变量逐一代入上式，得如下几个模型（结果表如下）Y=5426.633658+25.97702896*X3+0.7131621687*X5（3802.412）（2.759851）（0.059774）t=（1.427156）（9.412475）（11.93105）R2=0.991118F=1227.394Y=-4090.451555+118.3029597*X1+27.83244134*X3+0.6617330059*X5（6222.872）（63.07878）（2.795248）（0.062913）t=（-0.657325）（1.875479）（9.957057）（10.51830）R2=0.992392F=913.0676x4对y的影响并不显著，故将x4删去，得如下模型：Y=-4928.878753+141.8898316*X1-1.005090487*X2+27.74415632*X3+0.702538287*X5（5801.230）（59.75834）（0.485715）（2.599838）（0.061740）t=（-0.849626）（2.374394）（-2.069299）（10.67150）（11.37891）R2=0.993734F=792.8957DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:12:58Sample:19782002Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.C5426.6343802.4121.4271560.1676X325.977032.7598519.4124750.0000X50.7131620.05977411.931050.0000R-squared0.991118Meandependentvar100096.5AdjustedR-squared0.990310S.D.dependentvar30643.48S.E.ofregression3016.472Akaikeinfocriterion18.97373Sumsquaredresid2.00E+08Schwarzcriterion19.12000Loglikelihood-234.1716F-statistic1227.394Durbin-Watsonstat0.978110Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:13:07Sample:19782002Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.C-4090.4526222.872-0.6573250.5181X1118.303063.078781.8754790.0747X327.832442.7952489.9570570.0000X50.6617330.06291310.518300.0000R-squared0.992392Meandependentvar100096.5AdjustedR-squared0.991305S.D.dependentvar30643.48S.E.ofregression2857.414Akaikeinfocriterion18.89887Sumsquaredresid1.71E+08Schwarzcriterion19.09389Loglikelihood-232.2359F-statistic913.0676Durbin-Watsonstat0.929339Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:13:11Sample:19782002Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.C-4928.8795801.230-0.8496260.4056X1141.889859.758342.3743940.0277X2-1.0050900.485715-2.0692990.0517X327.744162.59983810.671500.0000X50.7025380.06174011.378910.0000R-squared0.993734Meandependentvar100096.5AdjustedR-squared0.992480S.D.dependentvar30643.48S.E.ofregression2657.300Akaikeinfocriterion18.78487Sumsquaredresid1.41E+08Schwarzcriterion19.02864Loglikelihood-229.8108F-statistic792.8957Durbin-Watsonstat1.244654Prob(F-statistic)0.0000002．异方差检验:（采用ARCH检验）图示法ARCHTest:F-statistic0.135388Probability0.937641Obs*R-squared0.485467Probability0.922072TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:12/29/04Time:13:34Sample(adjusted):19812002Includedobservations:22afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C7197913.3420227.2.1045130.0496RESID^2(-1)-0.0739020.233413-0.3166150.7552RESID^2(-2)0.0019850.2352130.0084390.9934RESID^2(-3)-0.1264110.233872-0.5405140.5955R-squared0.022067Meandependentvar5999470.AdjustedR-squared-0.140922S.D.dependentvar9793751.S.E.ofregression10461093Akaikeinfocriterion35.32719Sumsquaredresid1.97E+15Schwarzcriterion35.52556Loglikelihood-384.5991F-statistic0.135388Durbin-Watsonstat1.999805Prob(F-statistic)0.937641由上表，Obs*R-squared=0.485467＜χ20.05（3）=7.81473，所以接受H0，表明模型中随机扰动项不存在异方差。3．自相关检验①由上表可得DW=1.244654，给定显著性水平α=0.05，n=25,k’=4时，查Durbin-Waston表得下限临界值dL=1.038，上限临界值du=1.767,可见DW统计量DW=1.244654<du=1.767,由此可判断模型存在自相关。②分别运用广义差分法、C-O迭代法、取对数改善模型修正自相关广义差分法DependentVariable:DYMethod:LeastSquaresDate:12/29/04Time:13:57Sample(adjusted):19792002Includedobservations:24afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C803.51084351.0490.1846710.8554DX1116.297858.373041.9923200.0609DX2-0.7253580.557107-1.3020090.2085DX329.448853.2555009.0458740.0000DX50.6378780.0733748.6934820.0000R-squared0.986404Meandependentvar64836.26AdjustedR-squared0.983542S.D.dependentvar18915.98S.E.ofregression2426.689Akaikeinfocriterion18.60950Sumsquaredresid1.12E+08Schwarzcriterion18.85492Loglikelihood-218.3139F-statistic344.6293Durbin-Watsonstat1.574741Prob(F-statistic)0.000000C-O迭代法DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:13:59Sample(adjusted):19792002Includedobservations:24afteradjustingendpointsConvergencenotachievedafter100iterationsVariableCoefficientStd.Errort-StatisticProb.C1364329.408579200.0333920.9737X178.2839444.952641.7414760.0987X20.3354690.7816260.4291940.6729X312.988257.8496511.6546280.1153X50.4585060.0751896.0980340.0000AR(1)0.9987980.04232123.600500.0000R-squared0.996011Meandependentvar101886.2AdjustedR-squared0.994903S.D.dependentvar29938.17S.E.ofregression2137.291Akaikeinfocriterion18.38478Sumsquaredresid82224222Schwarzcriterion18.67930Loglikelihood-214.6174F-statistic898.9703Durbin-Watsonstat2.180051Prob(F-statistic)0.000000InvertedARRoots1.00取对数DependentVariable:LYMethod:LeastSquaresDate:12/29/04Time:14:02Sample:19782002Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.C2.0199920.4838044.1752230.0005LX10.0880830.0603311.4599840.1598LX2-0.0496670.024853-1.9984770.0594LX30.2622480.02391710.965030.0000LX50.6723940.05899911.396630.0000R-squared0.995731Meandependentvar11.46505AdjustedR-squared0.994877S.D.dependentvar0.325795S.E.ofregression0.023318Akaikeinfocriterion-4.502306Sumsquaredresid0.010875Schwarzcriterion-4.258531Loglikelihood61.27883F-statistic1166.247Durbin-Watsonstat1.247301Prob(F-statistic)0.000000在取对数基础上迭代DependentVariable:LYMethod:LeastSquaresDate:12/29/04Time:14:03Sample(adjusted):19792002Includedobservations:24afteradjustingendpointsConvergenceachievedafter28iterationsVariableCoefficientStd.Errort-StatisticProb.C3.3224750.9286633.5776990.0022LX10.0713370.0696251.0245890.3191LX2-0.0310270.034262-0.9055980.3771LX30.2966020.0391397.5781180.0000LX50.5323020.0861926.1757600.0000AR(1)0.6381050.2370612.6917390.0149R-squared0.996341Meandependentvar11.48637AdjustedR-squared0.995325S.D.dependentvar0.314480S.E.ofregression0.021503Akaikeinfocriterion-4.628946Sumsquaredresid0.008323Schwarzcriterion-4.334432Loglikelihood61.54735F-statistic980.3042Durbin-Watsonstat1.802317Prob(F-statistic)0.000000InvertedARRoots.64在广义差分基础上迭代DependentVariable:DYMethod:LeastSquaresDate:12/29/04Time:14:05Sample(adjusted):19802002Includedobservations:23afteradjustingendpointsConvergencenotachievedafter100iterationsVariableCoefficientStd.Errort-StatisticProb.C3724.2506188.3670.6018150.5552DX1108.188675.526611.4324570.1701DX2-0.5557620.661063-0.8407110.4122DX330.527554.0256057.5833450.0000DX50.5844310.0869716.7198110.0000AR(1)0.2708340.3110010.8708460.3960R-squared0.986704Meandependentvar66046.26AdjustedR-squared0.982794S.D.dependentvar18366.90S.E.ofregression2409.239Akaikeinfocriterion18.63147Sumsquaredresid98675375Schwarzcriterion18.92768Loglikelihood-208.2619F-statistic252.3199Durbin-Watsonstat1.877865Prob(F-statistic)0.000000InvertedARRoots.27考虑剔除，系数符号与经济意义相悖的变量X2，在取对数基础上迭代DependentVariable:LYMethod:LeastSquaresDate:12/29/04Time:14:14Sample(adjusted):19792002Includedobservations:24afteradjustingendpointsConvergenceachievedafter21iterationsVariableCoefficientStd.Errort-StatisticProb.C5.8042721.2863604.5121670.0002LX10.0733370.0461031.5907290.1282LX30.1427000.0626702.2770210.0345LX50.4326890.0743035.8233310.0000AR(1)0.9737820.03248029.980960.0000R-squared0.997038Meandependentvar11.48637AdjustedR-squared0.996414S.D.dependentvar0.314480S.E.ofregression0.018832Akaikeinfocriterion-4.923516Sumsquaredresid0.006738Schwarzcriterion-4.678088Loglikelihood64.08219F-statistic1598.801Durbin-Watsonstat2.032109Prob(F-statistic)0.000000InvertedARRoots.97考虑剔除，系数符号与经济意义相悖的变量X2，直接用迭代法DependentVariable:YMethod:LeastSquaresDate:12/29/04Time:14:15Sample(adjusted):19792002Includedobservations:24afteradjustingendpointsConvergencenotachievedafter100iterationsVariableCoefficientStd.Errort-StatisticProb.C994201.2223518520.0444800.9650X174.8207643.231921.7306830.0997X314.397416.7120142.1450210.0451X50.4653520.0722576.4402730.0000AR(1)0.9984300.03846625.956140.0000R-squared0.995959Meandependentvar101886.2AdjustedR-squared0.995108S.D.dependentvar29938.17S.E.ofregression2093.894Akaikeinfocriterion18.31449Sumsquaredresid83303461Schwarzcriterion18.55992Loglikelihood-214.7739F-statistic1170.713Durbin-Watsonstat2.200889Prob(F-statistic)0.000000InvertedARRoots1.00综合以上分析，我们得出最终模型如下：Y=994201.2023+74.82076324*X1+14.39740948*X3+0.4653517734*X5（22351852）（43.23192）（6.712014）（0.072257）t=（0.044480）（1.730683）（2.145021）（6.440273）R2=0.995959F=1170.713四、模型结果分析从模型可以看出：1、R2很大，F值也很显著，说明模型在整体上拟合的较好。能源需求仅与能源产品出厂价格指数、城镇居民家庭人均可支配收入、能源生产总量有明显的相关关系。能源产品的出厂价格指数对能源需求的影响最大。当价格指数每降低1个单位时,能源需求总量将降低74.82076324个单位。2但是X1不符合经济意义的检验。因为从经济意义上讲，能源出厂价格指数越高，能源的需求量越小，X1的系数应为负值。即使考虑能源在现实生活中的状况，也应该是需求弹性较小。可以看出,我国能能源需求曲线是向上倾斜的。这明显与传统经济学“向下倾斜的需求曲线”理论相违背。原因可能是：①93年以前我国对能源价格实行管制，长期使市场信号失灵。②国际市场能源价格一般由能源期货交易价格决定，而我国没有成体系的能源期货交易市场，买卖价格由海外价格控制，往往我国大量购买能源时，国际投机家伺机哄抬价格，谋取利益。③此外，