李宏勛　李元慶　王海軍

[摘 要] 石油需求量預(yù)測對編制石油產(chǎn)業(yè)發(fā)展規(guī)劃具有重要意義。為了合理預(yù)測中國石油需求量，將1965—2014年中國國內(nèi)生產(chǎn)總值、人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)及技術(shù)進(jìn)步4個分量作為輸入向量，石油需求量數(shù)據(jù)作為輸出向量，建立中國石油需求預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型，利用Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱對BP神經(jīng)網(wǎng)絡(luò)模型反復(fù)訓(xùn)練，發(fā)現(xiàn)當(dāng)隱含層節(jié)點(diǎn)數(shù)為17、學(xué)習(xí)率為01、訓(xùn)練次數(shù)為8次、訓(xùn)練精度為0001時得到的效果最好。最后運(yùn)用所確定的BP神經(jīng)網(wǎng)絡(luò)模型對2015—2024年中國石油需求數(shù)據(jù)進(jìn)行了預(yù)測。

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò)；石油需求；預(yù)測

[中圖分類號]F407.22

[文獻(xiàn)標(biāo)識碼]A

[文章編號] 1673-5595（2015）03-0008-04

一、引言

早在2009年，國際能源署（簡稱IEA）的月度石油市場報告就顯示，2012年亞洲將成為全球石油需求增長的主力，而在亞洲各國中，隨著經(jīng)濟(jì)的快速發(fā)展，中國將成為亞洲最大的石油需求地。[1]在這一背景下，對石油需求量進(jìn)行科學(xué)預(yù)測已經(jīng)成為編制石油產(chǎn)業(yè)發(fā)展規(guī)劃、制定能源發(fā)展戰(zhàn)略、協(xié)調(diào)國內(nèi)各產(chǎn)業(yè)發(fā)展的重要依據(jù)。1999年，F(xiàn)rank等運(yùn)用協(xié)整分析法對美國石油進(jìn)口進(jìn)行了分析，得出了價格沖擊與長期價格對石油進(jìn)口需求行為具有顯著影響的結(jié)論[2]；2005年，許榮勝運(yùn)用灰色系統(tǒng)理論預(yù)測了中國石油消費(fèi)需求，認(rèn)為未來中國石油消費(fèi)需求將快速增長[3]；同年，倪錚等對中國石油需求量進(jìn)行了協(xié)整計量分析，進(jìn)一步采用誤差修正模型預(yù)測了中國石油需求量[4]；2010年，吳良海運(yùn)用支持向量機(jī)擬合中國石油需求數(shù)據(jù)，擬合結(jié)果較好，他對其進(jìn)行了改進(jìn)并建立了粒子群優(yōu)化的支持向量機(jī)[5]；2011年，Mehdi運(yùn)用自回歸分布滯后模型分析了七國集團(tuán)和金磚四國的石油需求，得出了收入、價格彈性及節(jié)油技術(shù)對石油需求具有顯著影響的結(jié)論。[6]石油分析與預(yù)測的方法主要有協(xié)整分析法、灰色預(yù)測法、誤差修正模型、支持向量機(jī)模型和自回歸分布滯后模型等，而BP神經(jīng)網(wǎng)絡(luò)法具有廣泛的適應(yīng)能力、學(xué)習(xí)能力和映射能力，在非線性系統(tǒng)建模與預(yù)測方面通常可取得滿意的結(jié)果。[7-10]為此，本文采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建中國石油需求預(yù)測模型，為發(fā)展中國石油產(chǎn)業(yè)提供科學(xué)指導(dǎo)。

二、中國石油需求概況與研究方法

（一）中國石油需求概況

1965—1976年，由于各大油田的相繼發(fā)現(xiàn)，中國石油需求在能源總需求中所占的比重迅速上升，1976年石油需求比重達(dá)到峰值，為247%。1973—1975年的世界經(jīng)濟(jì)危機(jī)對中國的石油需求產(chǎn)生了很大的影響，導(dǎo)致1976—1983年的石油需求比重以較大的速率下降。此后，石油需求在能源總需求中所占的比重相對穩(wěn)定，在經(jīng)過一系列的波動后，石油需求占能源總需求的比重維持在172%左右。隨著中國經(jīng)濟(jì)的又一輪增長，石油需求比重出現(xiàn)了新一輪提升，石油需求占能源總需求的比重在2000年出現(xiàn)了峰值，為223%，該值為20世紀(jì)80年代至今的石油需求占能源總需求的所有比重中的最高值。如今，中國石油需求占能源總需求的比重有進(jìn)一步提升的趨勢，2014年，石油需求在中國能源總需求中的比重為194%。1965—2014年中國石油需求比重變動情況具體如圖1所示。

除1973—1975年世紀(jì)石油危機(jī)對中國石油需求造成較大影響外，中國石油需求在較長時期內(nèi)處于不斷上升的狀態(tài)。1982年以后，石油的需求量不斷增長，需求量的增長主要顯現(xiàn)在增長率的區(qū)別上。按照增長率的波動情況，1982—2001年石油需求增長率在一定時間段上有所放緩，最終以相對穩(wěn)定的增長率穩(wěn)步增長，2001年中國石油需求量達(dá)到22929027萬噸。2002年后，中國石油需求量陡增，5年中中國石油需求的增長率均保持在6%以上，在經(jīng)過2005年與2007年兩次增速的放緩之后，中國石油需求的增長率不斷提升，增長率有指數(shù)增長的趨勢，到2014年中國石油需求量為50834224萬噸。1965—2014年中國石油需求量變動情況具體如圖2所示。

（二）研究方法

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，在神經(jīng)網(wǎng)絡(luò)中有其自身特點(diǎn)，即誤差反向傳播，同時它具有多層網(wǎng)絡(luò)且為前饋神經(jīng)網(wǎng)絡(luò)。在BP網(wǎng)絡(luò)中，信號是向前移動的，樣本從輸入層傳入，即產(chǎn)生信號的輸入，信號在隱層經(jīng)過一定的函數(shù)進(jìn)行處理，在經(jīng)過各個隱層的指定函數(shù)處理后傳向輸出層，在輸出層信號形成一個輸出值，輸出值會與期望輸出值進(jìn)行對比，若兩者不等則出現(xiàn)誤差，此時誤差會與信號進(jìn)行相反方向的運(yùn)動，相反方向傳播的誤差又逐次反向經(jīng)過BP網(wǎng)絡(luò)的各個隱層（通常為S型隱層），在經(jīng)過各個隱層的處理后將誤差回饋給各層單元，各層單元獲得誤差信號后，憑此信號值修正各單元的權(quán)值。[11]此過程不斷進(jìn)行，并不斷對各單元的權(quán)值進(jìn)行調(diào)整，訓(xùn)練停止的參考標(biāo)準(zhǔn)為誤差達(dá)到的可接受范圍或?qū)W習(xí)次數(shù)達(dá)到的給定值。訓(xùn)練結(jié)束后，訓(xùn)練結(jié)果進(jìn)入線性輸出層，由輸出層得出的數(shù)值即為有限不連續(xù)點(diǎn)函數(shù)的逼近值。

BP網(wǎng)絡(luò)神經(jīng)元模型包括輸入與神經(jīng)元兩個部分，一個具有R個輸入的基本的BP神經(jīng)元模型結(jié)構(gòu)如圖3所示。

圖3中，p1、p2、p3、…、pR為輸入值，w1，1、w1，2、w1，3、…、w1，R為權(quán)值，∑與f為神經(jīng)元傳遞函數(shù)，n為處理次數(shù)，b為誤差項(xiàng)，a為最終處理函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)是多層前饋型網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層三個部分組成，各層之間通常采用全部連接的方式，同一層的各個單元之間不存在相互連接。一個具有R分輸入、由S個logsig神經(jīng)元構(gòu)成的單層網(wǎng)絡(luò)如圖4所示。

前饋神經(jīng)網(wǎng)絡(luò)通常有一個或多個隱層，隱層神經(jīng)元多為S型，并且是由一個線性神經(jīng)元構(gòu)成的輸出層，如果具有多個非線性傳遞函數(shù)的神經(jīng)元層，則網(wǎng)絡(luò)便可以學(xué)習(xí)非線性關(guān)系，這種關(guān)系集中體現(xiàn)在輸入和輸出之間，而輸出值則可以在[-1，+1]之外取值，這是通過線性輸出層實(shí)現(xiàn)的。如果需要限制網(wǎng)絡(luò)輸出的值域，那么可以使用S型函數(shù)作為輸出層的輸出函數(shù)。

三、變量選取與預(yù)測過程

（一）變量選取

BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量采用影響中國石油需求量的因素，而影響中國石油需求的主要因素可以歸結(jié)為價格因素、經(jīng)濟(jì)增長、人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)以及技術(shù)進(jìn)步五個方面。

價格對需求具有重要的影響，因此石油的價格應(yīng)該是影響石油需求的首要因素。但是在中國的石油市場中，價格變動對石油需求的影響相對于其他因素的影響較??；經(jīng)濟(jì)的發(fā)展需要石油作為動力來推動，石油的需求受經(jīng)濟(jì)發(fā)展水平的影響較大，同時石油工業(yè)的發(fā)展直接受制于經(jīng)濟(jì)發(fā)展水平，因此經(jīng)濟(jì)增長是影響石油需求的一個非常重要的因素；人口數(shù)量直接影響石油的消費(fèi)總量，也直接影響著石油資源的人均占有量和利用方式，因此人口數(shù)量是影響石油需求的一個不可或缺的因素；在中國，各個產(chǎn)業(yè)的石油消耗相差較大，相對于一、三產(chǎn)業(yè)來說，第二產(chǎn)業(yè)對石油的需求量更大，因此第二產(chǎn)業(yè)在各產(chǎn)業(yè)中的比重對石油需求量具有顯著影響；技術(shù)的進(jìn)步通過提高石油的利用效率、降低單位產(chǎn)品能耗、縮短交易過程減少石油消耗強(qiáng)度等方式對石油需求量產(chǎn)生影響。

由此，本文選擇經(jīng)濟(jì)增長、人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)以及技術(shù)進(jìn)步四個因素作為影響石油需求量的變量。其中，經(jīng)濟(jì)的增長用國內(nèi)生產(chǎn)總值表示，人口數(shù)量用全國總?cè)丝跀?shù)表示，產(chǎn)業(yè)結(jié)構(gòu)用第二產(chǎn)業(yè)在中國各產(chǎn)業(yè)中的比重表示，技術(shù)進(jìn)步用能源消費(fèi)量與國內(nèi)生產(chǎn)總值的比值表示。

（二）預(yù)測過程

運(yùn)用MATLAB軟件的神經(jīng)網(wǎng)絡(luò)工具箱，首先歸一化處理1965—2014年（其中2014年數(shù)據(jù)是采用近5年數(shù)據(jù)的平均增長率計算得到的）中國國內(nèi)生產(chǎn)總值、人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)、技術(shù)進(jìn)步及石油需求量數(shù)據(jù)[12]，繼而將歸一化的國內(nèi)生產(chǎn)總值、人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)及技術(shù)進(jìn)步這四個分量作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入向量，石油需求量數(shù)據(jù)作為輸出向量，利用函數(shù)newff創(chuàng)建網(wǎng)絡(luò)，隱層數(shù)為17個，將tansig、purelin作為神經(jīng)元的傳遞函數(shù)，其他函數(shù)采用默認(rèn)形式。

由圖5可以看到，采用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后的1965—2014年中國石油需求量擬合值與對應(yīng)的中國石油需求量實(shí)際值變化趨勢一致，說明BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地擬合1965—2014年中國石油需求量數(shù)據(jù)，預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)相差不大，BP神經(jīng)網(wǎng)絡(luò)實(shí)際擬合效果很好。由圖6可以看到，BP神經(jīng)網(wǎng)絡(luò)模型擬合的曲線能夠使實(shí)際結(jié)果均勻地分布在其周圍，BP神經(jīng)網(wǎng)絡(luò)模型對石油需求量數(shù)據(jù)的擬合度達(dá)到9997%以上，具有較高的擬合度，BP神經(jīng)網(wǎng)絡(luò)模型在統(tǒng)計上具有較好的擬合效果，從而得到很好的精確度，說明該模型在擬合1965—2014年石油需求量數(shù)據(jù)上具有較好的效果。圖7顯示，隨著迭代的進(jìn)行，

BP神經(jīng)網(wǎng)絡(luò)的擬合結(jié)果逐漸趨近于實(shí)際數(shù)據(jù)，在經(jīng)過8次迭代后神經(jīng)網(wǎng)絡(luò)能夠達(dá)到最優(yōu)的預(yù)測效果，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果整體誤差可達(dá)000021809。

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對2015—2024年的中國石油需求進(jìn)行預(yù)測，預(yù)測結(jié)果如表1所示。

四、結(jié)論

將歸一化的1965—2014年中國國內(nèi)生產(chǎn)總值、人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)及技術(shù)進(jìn)步作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量，石油需求數(shù)據(jù)為輸出變量，建立了石油需求量預(yù)測的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。通過MATLAB軟件對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反復(fù)訓(xùn)練，發(fā)現(xiàn)當(dāng)隱含層節(jié)點(diǎn)數(shù)為17、學(xué)習(xí)率為01、訓(xùn)練次數(shù)為8、訓(xùn)練精度為0001時得到的效果最好，在預(yù)測中國石油需求數(shù)據(jù)上具有較好的擬合效果，本文預(yù)測的2015—2024年中國石油需求數(shù)據(jù)將對中國制定能源發(fā)展規(guī)劃具有一定的參考價值。

[參考文獻(xiàn)]

[1] International Energy Agency. MEDIUM-TERM Oil Market Report 2009.[2014-12-01]. http：//www.iea.org/publications/freepublications/publication/mtomr2009.pdf.

[2] Frank Kleibergen， Herman K. Oil Price Shocks and Long Run Price and Import Demand Behavior[J].Annals of the Institute of Statistical Mathematics，1999（3）：399-417.

[3] 許榮勝. 基于灰色系統(tǒng)理論的中國石油消費(fèi)需求預(yù)測研究[J].國際石油經(jīng)濟(jì)，2005，13（4）：36-38.

[4] 倪錚，凌子未.中國石油需求量的協(xié)整計量分析[J].南開經(jīng)濟(jì)研究，2005（6）： 3-7.

[5] 吳良海.基于粒子群優(yōu)化支持向量機(jī)的石油需求預(yù)測[J].計算機(jī)仿真，2010（4）：292-295.

[6] Mehdi Asali. Income and price elasticity and oil-saving technological changes in ARDL models of demand for oil in G7 and BRIC [J]. OPEC Energy Review， 2011（3）：189-218.

[7] 胡雪棉，趙國浩.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測模型[J].中國管理科學(xué)，2008，16（10）：521-525.

[8] 郭杰，歐名豪，劉瓊，等.基于BP神經(jīng)網(wǎng)絡(luò)的南通市建設(shè)用地需求預(yù)測[J].資源科學(xué)，2009，31（8）：1355-1361.

[9] 劉枚蓮，朱美華.基于BP神經(jīng)網(wǎng)絡(luò)的港口吞吐量預(yù)測模型[J].系統(tǒng)科學(xué)學(xué)報，2012，20（4）：88-91.

[10] 史佳.基于BP神經(jīng)網(wǎng)絡(luò)的黃河中下游人口預(yù)測研究[J].科技管理研究，2014（6）：245-250.

[11] 李成，周恒.原油價格改進(jìn)型神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J].統(tǒng)計與決策，2013（8）：67-69.

[12] 國家統(tǒng)計局.國家統(tǒng)計年鑒2014[M].北京：中國統(tǒng)計出版社，2013.

[責(zé)任編輯：張巖林]

Abstract： The prediction of oil demand has great significance in preparing the oil industry development planning. In order to reasonably predict Chinas oil demand， take GDP， population， industrial structure and the technical progress as input vector and take the oil demand as the output vector， we establish the BP neural network model. After training of the BP neural network model by Matlab software， we find that when the number of hidden layer nodes for vector is 17， learning rate is 0.1， training times are 8 and training precision is 0.001， and the predicting result is the best. Finally， we use the BP neural network to predict Chinas oil demand from 2015 to 2024.

Key words： BP neural network； oil demand； prediction.