Факторный анализ энергоэффективности в топливно-энергетическом комплексе на основе выбора доминирующих показателей

Abstract

Актуальность. Топливно-энергетический комплекс является базовой отраслью экономики страны. В условиях роста цен на энергетические ресурсы и усиления внешних рисков повышение энергоэффективности и энергосбережения становится научно-практической необходимостью. На предприятиях топливно-энергетического комплекса (предприятиях электроэнергетики, нефтегазовой и угольной промышленности, а также теплоэнергетики) планирование, основанное на многофакторном прогнозировании потребления топливно-энергетических ресурсов, позволяет существенно повысить эффективность управления. Однако задача корректного отбора релевантных факторов при построении прогнозных моделей остаётся методологически сложной. В связи с этим выявление ключевых факторов, влияющих на энергоёмкость предприятий топливно-энергетического комплекса, имеет важное значение для принятия обоснованных управленческих решений. Цель. Определение факторов, оказывающих влияние на энергоёмкость 23 крупных промышленных предприятий в 2000-2023 гг., а также разработка метода и алгоритма оценки и статистической значимости их воздействия. Методы: корреляционный анализ Пирсона, -тест и алгоритмы вычисления -значений на основе таблицы Fisher-Yates. Для автоматизации расчётов вероятности при больших объёмах данных была построена полиномиальная регрессионная модель шестого порядка, связывающая и число степеней свободы df. Результаты. Фактор (энергетические потери) в большинстве случаев показал низкий уровень значимости и был исключён из анализа; факторы (удельное потребление электроэнергии на единицу продукции) и (коэффициент эффективности использования электроэнергии) были отнесены к числу наиболее значимых. Результаты -теста показали высокую значимость связи между фактором и энергоёмкостью для многих предприятий (например, для 18-го предприятия: , ). Предложенная полиномиальная модель обеспечила высокоточную аппроксимацию p-значений таблицы Fisher-Yates (RMSE<0,03; MAPE≈3,27 %) и позволила автоматизировать вычисления

Relevance. The fuel and energy complex is the basic branch of the country's economy. In the context of rising prices for energy resources and increasing external risks, improving energy efficiency and energy conservation is becoming a scientific and practical necessity. At enterprises of the fuel and energy complex (enterprises of the electric power industry, the oil and gas and coal industries, as well as the thermal power industry), planning based on multifactorial forecasting of consumption of fuel and energy resources can significantly improve management efficiency. However, the task of correctly selecting relevant factors in the construction of predictive models remains methodologically difficult. In this regard, the identification of key factors affecting the energy intensity of fuel and energy complex enterprises is important for making informed management decisions. Goal. To identify the factors influencing the energy intensity of 23 large industrial enterprises in 2000-2023, as well as to develop a method and algorithm for assessing and statistically signifying their impact. Methods: Pearson correlation analysis, -test and algorithms for calculating -values based on the Fisher-Yates table. To automate probability calculations with large amounts of data, a sixth-order polynomial regression model was built that relates the number of degrees of freedom df. Results. The factor (energy losses) in most cases showed a low level of significance and was excluded from the analysis; the factors (specific electricity consumption per unit of production) and (coefficient of efficiency of electricity use) were among the most significant. The test results showed a high significance of the relationship between the factor and energy intensity for many enterprises (for example, for the 18th enterprise: , ). The proposed polynomial model provided a highly accurate approximation of the p-values of the Fisher-Yates table (RMSE<0.03; MAPE≈3.27 %) and allowed automating calculations