盧全瑩，柴 建，2，朱 青，邢麗敏，鄧俊麗

（1.陜西師范大學(xué)國際商學(xué)院，陜西 西安 710062；2.中國科學(xué)院國家數(shù)學(xué)與交叉科學(xué)中心，北京 100190）

1 引言

近年來，天然氣以其環(huán)保經(jīng)濟、安全可靠等優(yōu)點被廣泛應(yīng)用于發(fā)電、化工工業(yè)、城市燃?xì)狻嚎s天然氣（Compressed Natural Gas，CNG）等工業(yè)生產(chǎn)和居民生活領(lǐng)域。BP世界能源統(tǒng)計年鑒（2013）表明，2012年石油占全球能源消費的比重持續(xù)下滑，增長幅度僅為0.9%，而天然氣增長幅度為2.2%，占基礎(chǔ)能源消費的23.9%?！?012年國內(nèi)外油氣行業(yè)發(fā)展報告》稱，2012年我國天然氣表觀消費量1471億立方米，較2011年增長13%，其中進口量達(dá)到425億立方米，增長31.1%，對外依存度達(dá)到29%。我國天然氣消費市場的日益擴大，對天然氣的開發(fā)及輸送管道建設(shè)、維護等提出了更高的要求。同時，“十二五”規(guī)劃明確將攻克開發(fā)關(guān)鍵技術(shù)作為主要任務(wù)，為“十三五”頁巖氣大規(guī)模開發(fā)奠定基礎(chǔ)。在這樣的政策背景下，對天然氣消費量進行合理準(zhǔn)確的預(yù)測，一方面對天然氣管道規(guī)劃建設(shè)、生產(chǎn)管理及輸配氣的調(diào)度具有重要意義；另一方面，可以有效節(jié)約成本，減少輸配氣費用，更好地滿足生產(chǎn)和生活需求。隨著集成人工智能技術(shù)的快速發(fā)展，預(yù)測方法從傳統(tǒng)的時間序列平滑法、回歸模型法、趨勢外推法與相關(guān)分析法發(fā)展到現(xiàn)在，模糊集、粗糙集、支持向量機、遺傳算法等智能化方法已被廣泛引入到能源預(yù)測中。本文將采用在能源預(yù)測中具有明顯優(yōu)勢的現(xiàn)代人工智能預(yù)測方法——RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型對我國天然氣消費量進行分析及預(yù)測。

2 相關(guān)研究

截止目前，國內(nèi)外對能源需求的研究文獻相對豐富，對天然氣消費的分析及預(yù)測也是屢見不鮮。能源需求問題越來越多地吸引到了科研工作者的目光。就相關(guān)的問題，本文從多個角度與層次對天然氣消費問題進行了探討。主要的研究集中在以下兩方面：

（1）天然氣消費的驅(qū)動因素：在驅(qū)動因素方面，大量研究表明能源的需求量與經(jīng)濟增長、人口數(shù)量、經(jīng)濟結(jié)構(gòu)等因素有關(guān)。Das等［1］首先對1980－2010年孟加拉國天然氣消費量與實際GDP進行了格蘭杰因果檢驗，發(fā)現(xiàn)GDP對天然氣消費量具有顯著促進作用，反之則無明顯影響。Apergis和Payne［2］對天然氣消費與經(jīng)濟增長之間關(guān)系作出進一步研究，建立1992－2005年期間67個國家天然氣消費量的多元誤差修正模型，并進行異質(zhì)面板協(xié)整檢驗，得出天然氣消費量和實際GDP、實際資產(chǎn)投資總額及勞動力人數(shù)之間存在長期均衡關(guān)系，且天然氣消費量與經(jīng)濟增長之間存在雙向因果關(guān)系，天然氣消費彈性系數(shù)估計值為0.652，這一數(shù)值略低于可再生能源的0.76，遠(yuǎn)高于煤炭的－0.142到－0.251，即經(jīng)濟增長對天然氣消費量有較強的依賴性。Kankal等［3］通過構(gòu)建人工神經(jīng)網(wǎng)絡(luò)和回歸分析方法，以社會經(jīng)濟和人口統(tǒng)計學(xué)變量為影響因素對土耳其的能源消費進行預(yù)測，測試變量有國內(nèi)生產(chǎn)總值（GDP）、人口、進出口額和就業(yè)，經(jīng)過逐步回歸得出GDP、人口、進出口額四個變量可以有效地預(yù)測該地區(qū)能源消費，最后預(yù)測2014年土耳其能源消費將會在117.0－175.4百萬噸油當(dāng)量之間浮動。周躍忠、李婷［4］通過分析全球及我國的天然氣消費現(xiàn)狀，認(rèn)為經(jīng)濟發(fā)展水平、天然氣價格和可替代能源價格是影響天然氣消費的主要因素，并對每個影響因素進行了詳細(xì)的分析。史立軍、周泓［5］綜合考慮了人口、經(jīng)濟、環(huán)境等因素的基礎(chǔ)上，運用系統(tǒng)動力學(xué)方法建立了我國天然氣供需趨勢預(yù)測模型，對我國2010年到2030年的天然氣供應(yīng)量、消費量、凈進口量、對外依存度、二氧化碳排放量等進行了預(yù)測，并通過對天然氣消費主要參數(shù)的靈敏度分析深入研究了其對消費狀況的影響。預(yù)測結(jié)果顯示，未來我國天然氣供應(yīng)量和消費量均將快速增長，但由于可采儲量的限制，天然氣供應(yīng)量在2028年達(dá)到國內(nèi)生產(chǎn)能力的最大值后開始逐年下降。由于經(jīng)濟的快速增長，天然氣需求量持續(xù)上升，導(dǎo)致進口量的不斷增加，天然氣資源對外依存度將不斷提高。

（2）天然氣消費的預(yù)測方法：在短期預(yù)測方面，Sánchez-U＇beda［6］和 Gutierrez等［7］分別作了研究，前者提出了一種統(tǒng)計分解模型，對西班牙工業(yè)用氣的日度數(shù)據(jù)進行時間序列分解，得到了天然氣需求量的短期預(yù)測；后者以西班牙1973－1997年天然氣消費量為樣本數(shù)據(jù)，利用隨機Gompertz創(chuàng)新擴散（Stochastic Gompertz Innovative Diffuse）模型對1998－2000年天然氣消費總量做出預(yù)測，驗證了該模型的預(yù)測結(jié)果與真實值的擬合度明顯高于其它隨機擴散增長模型，如邏輯（擴散－創(chuàng)新）模型和對數(shù)正態(tài)（擴散－非創(chuàng)新）模型。隨后組合預(yù)測模型逐漸得到應(yīng)用，Khotanzad和Elragal［8］提出兩階段人工神經(jīng)網(wǎng)絡(luò)方法，利用多層前饋神經(jīng)網(wǎng)絡(luò)和功能連接神經(jīng)網(wǎng)絡(luò)組合預(yù)測出美國六家公用事業(yè)天然氣用量；Xu Gang和 Wang Weiguo［9］將二階多項式曲線模型（2nd Order Polynomial Curve model）與移動平均模型（Moving Average Model，MA）結(jié)合，建立了PCMACP模型，對2007－2008我國天然氣需求總量進行預(yù)測分析，所得預(yù)測值與真實值的平均誤差百分比為3.82%，這顯著低于利用傳統(tǒng)的二階多項曲線模型、BP神經(jīng)網(wǎng)絡(luò)模型以及灰色預(yù)測模型預(yù)測所產(chǎn)生的誤差。Soldo Bozidar［10］對天然氣預(yù)測現(xiàn)狀進行了總結(jié)，分別從天然氣研究發(fā)展歷程、研究范圍、預(yù)測視角（小時／天／月／年／組合）、數(shù)據(jù)類型、預(yù)測工具等方面進行了詳細(xì)闡述，并指出Hubert曲線模型和灰色模型將會是預(yù)測的主要工具，在較小范圍內(nèi)最優(yōu)化工具和經(jīng)典回歸工具的結(jié)合將可能是發(fā)展方向。李君臣，董秀成，高建［11］利用系統(tǒng)動力學(xué)模型，對我國未來天然氣消費量進行中長期預(yù)測。預(yù)測結(jié)果顯示，我國未來天然氣消費量將保持迅速增長的態(tài)勢，預(yù)計2020年達(dá)到1830.0×108m3，2030年達(dá)到3027.4×108m3；天然氣消費結(jié)構(gòu)也將發(fā)生變化，化工用氣、工業(yè)燃料用氣占消費總量比例有所下降，但占比數(shù)量仍然最大，發(fā)電用氣和第三產(chǎn)業(yè)用氣占比有所上升，而居民消費用氣占比先升后降。羅東坤，徐平［12］在對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)運用附加動量法進行改進的基礎(chǔ)上，建立神經(jīng)網(wǎng)絡(luò)模型。預(yù)測結(jié)果表明，我國未來10年天然氣需求仍很強勁，而國內(nèi)天然氣供應(yīng)難以滿足長期需求，政府需要制定相應(yīng)的天然氣供需策略。周子卜，李莉，張淑英［13］運用不確定分析法的灰色系統(tǒng)理論，選取我國1990－2004年天然氣消費量數(shù)據(jù)，構(gòu)建了天然氣需求增長灰色系統(tǒng)預(yù)測模型GM（1，1）。

通過對前人的研究總結(jié)發(fā)現(xiàn)，多數(shù)學(xué)者比較贊同的觀點是：基于歷史數(shù)據(jù)的ARMA方法和指數(shù)平滑法更適合短期預(yù)測；灰色預(yù)測方法能夠用于范圍較廣的長短期預(yù)測，但精確度有所下降；人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織和實時學(xué)習(xí)的特點，適用于動態(tài)天然氣消費預(yù)測及動態(tài)訓(xùn)練系統(tǒng)，且具有較高的預(yù)測精度等。但是單純的神經(jīng)網(wǎng)絡(luò)算法是在無約束的非線性條件下將所有信息數(shù)字化，雖然精確度很高，但是在預(yù)測方面卻不能有效的反映出現(xiàn)實經(jīng)濟變量之間關(guān)系的不確定性。于是，為了找到一種可以避免確定性預(yù)測缺陷的新方法，有學(xué)者開展了大量概率性區(qū)間預(yù)測的研究工作，如分位數(shù)回歸方法結(jié)合神經(jīng)網(wǎng)絡(luò)模型，給出了一定置信水平下的概率化區(qū)間預(yù)測結(jié)果。這樣就把在非線性預(yù)測方面具有較高精度的神經(jīng)網(wǎng)絡(luò)和凸顯局部影響的分位數(shù)回歸很好地結(jié)合起來，得到良好的預(yù)測效果。例如，何耀耀［14］等將RBF神經(jīng)網(wǎng)絡(luò)和分位數(shù)回歸兩種方法相結(jié)合構(gòu)建模型，并利用時間序列數(shù)據(jù)給出了一天中每個時刻電力負(fù)荷的完整概率分布函數(shù)。

文章結(jié)構(gòu)如下：首先，利用通徑分析篩選出我國天然氣消費的核心驅(qū)動因素。其次，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型對我國天然氣消費進行預(yù)測。模型構(gòu)建時以非線性分位數(shù)回歸為理論基礎(chǔ)，建立天然氣概率密度分位數(shù)回歸預(yù)測模型，并采用標(biāo)準(zhǔn)的梯度優(yōu)化算法估算出模型的參數(shù)向量。運用交叉驗證方法確定RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心、寬度以及懲罰參數(shù)的值。擬合出不同分位數(shù)水平下的天然氣消費量，并計算比較各分位數(shù)水平下的相對誤差。最后，選取誤差最小的中位數(shù)回歸進行天然氣消費預(yù)測。

3 核心影響因素提取

在影響因素研究中，大部分研究采用多元回歸分析方法，但該方法的缺點是不能消除多重共線性。為了解決這一問題，數(shù)量遺傳學(xué)家Sewall Wright于1921年提出來的一種多元統(tǒng)計技術(shù)——通徑分析。通徑分析是簡單相關(guān)關(guān)系的進一步發(fā)展，在多元回歸的基礎(chǔ)上通過對自變量與因變量之間表面直接相關(guān)性的分解，通過直接通徑、間接通徑和總通徑系數(shù)來研究自變量對因變量的直接作用、間接作用以及綜合作用，從而為統(tǒng)計決策提供可靠的依據(jù)，在眾多領(lǐng)域得到廣泛應(yīng)用。例如Chai Jian等［15］將此方法應(yīng)用在分析石油價格影響因素的研究中。

從大量的文獻閱讀可知，影響天然氣消費量的因素很多，涉及各個方面，而且因素間的相互關(guān)系比較復(fù)雜。所以，本文基于文獻綜述提及的國內(nèi)外研究及我國的現(xiàn)狀，將分別從需求和供給、替代能源、成本因素和國家政策等角度綜合考慮天然氣產(chǎn)量、人口、城鎮(zhèn)化率、GDP、城鎮(zhèn)人均消費、工業(yè)燃料出廠價格、電價 （X1，X2，…，X8）等影響因素對天然氣消費（Y）的影響，選取1990－2011年的年度數(shù)據(jù)（本文數(shù)據(jù)來源：WIND數(shù)據(jù)庫、《中國統(tǒng)計年鑒》），利用通經(jīng)分析提取我國天然氣消費量的核心影響因素。

表1 正態(tài)性檢驗

表2 各影響因素對天然氣消費的通徑分析表

4 模型構(gòu)建及結(jié)果分析

4.1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中出現(xiàn)的收斂過分依賴初值和局部收斂等問題，Moody和Darken［16］在20世紀(jì)80年代末提出了RBF網(wǎng)絡(luò)，它是以徑向基函數(shù)作為隱含層神經(jīng)元激活函數(shù)的三層前向型神經(jīng)網(wǎng)絡(luò)，具有較快的運算速度、較強的非線性映射能力和較好的預(yù)報效能。它通常具有三層網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層、輸出層，網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)如圖1所示。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通過兩層映射關(guān)系實現(xiàn)，分別是輸入層到隱含層空間的非線性變換和隱含層空間到輸出層空間的線性變換。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立，是通過映射函數(shù)（徑向基函數(shù)）的學(xué)習(xí)，確定隱含層神經(jīng)元基函數(shù)的數(shù)據(jù)中心cj、方差σj以及隱含層到輸出層的權(quán)值wj，i，從而完成輸入到輸出的映射。

4.2 分位數(shù)回歸

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Koenker和Basset［17］于1978年提出了分位數(shù)回歸理論，該理論刻畫了當(dāng)給定回歸變量X時，響應(yīng)變量Y在不同分位數(shù)下的變化趨勢，度量了回歸變量在分布中心、上尾及下尾的影響，突出了局部之間的相關(guān)影響。假設(shè)Y受到k個因素X1，X2，…，Xk的影響，分位數(shù)回歸表示為：

式中：QY（τ｜X）為響應(yīng)變量Y在解釋變量X＝［X1，X2，…，XK］′給定下的條件τ分位數(shù)；τ∈ （0，1）為分位數(shù)點，決定了在因變量的那個分位點水平上 進 行 回 歸；β（τ） ＝ ［β0（τ），β1（τ），β2（τ），…，βk（τ）］′，為回歸系數(shù)向量。

4.3 基于RBF分位數(shù)回歸的預(yù)測模型

Taylor［18］提出了基于單層神經(jīng)網(wǎng)絡(luò)的分位數(shù)回歸模型：

該式中：W（τ）＝ ｛wjk（τ）｝j＝1，2，3，…，j；k＝1，2，…，K為輸入層到隱含層的連接權(quán)重向量，V（τ）＝｛vj｝j＝1，2，…，J為隱含層與輸出層之間的連接權(quán)重向量；K為隱含層節(jié)點數(shù)；f為一個非線性函數(shù)，其表達(dá)式為：

公式（3）體現(xiàn)了由解釋變量X到響應(yīng)變量Y的非線性結(jié)構(gòu)。本文中，由于天然氣的年消費量數(shù)據(jù)具有連續(xù)性，在眾多的神經(jīng)網(wǎng)絡(luò)類型中徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)適合擬合連續(xù)變化數(shù)據(jù)，故本文神經(jīng)網(wǎng)絡(luò)選取RBF神經(jīng)網(wǎng)絡(luò)方法。

神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型式（2）中參數(shù)向量W（τ）、V（τ）的估計可以通過下列式子的最優(yōu)解得到：

式中λ1、λ2為懲罰參數(shù)，是為了避免網(wǎng)絡(luò)結(jié)構(gòu)陷入過度擬合的狀態(tài)而設(shè)置的。懲罰參數(shù)λ1、λ2和隱含層節(jié)點數(shù)K的最優(yōu)取值也可以用交叉驗證方法確定。參數(shù)向量W（τ）、V（τ）的估計可以使用標(biāo)準(zhǔn)的梯度優(yōu)化算法進行求解，將得到的參數(shù)估計量其分別代入式（2），就可以得到Y(jié)的條件分位數(shù)估計。如下式（5）：

4.4 基于RBF分位數(shù)回歸的天然氣預(yù)測分析

4.4.1 數(shù)據(jù)選取

本文選取1990年至2011年我國天然氣消費總量的數(shù)據(jù)作為輸出變量，將通徑分析篩選出的3個核心影響因素：國民生產(chǎn)總值、總?cè)丝诤统擎?zhèn)化率作為輸入變量，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型。分兩個階段進行，第一階段：選取1990－2006年數(shù)據(jù)作為訓(xùn)練樣本，對模型擬合并得出各個參數(shù)值，選取2007－2011年數(shù)據(jù)作為測試樣本，并預(yù)測該時間段內(nèi)我國天然氣消費量。將2007－2011年天然氣消費量預(yù)測數(shù)據(jù)與統(tǒng)計局公布的實際值作對比，計算預(yù)測誤差。第二階段：以1990－2011年天然氣消費量為訓(xùn)練樣本，利用上述所得參數(shù)值對2012－2020年天然氣消費量進行預(yù)測。模型經(jīng)訓(xùn)練所得，RBF神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為1000，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3－1－1.即輸入層的節(jié)點數(shù)為3，隱含層為1，輸出層為1；分位數(shù)回歸模型的懲罰參數(shù)λ1、λ2都為0.00001，RBF神經(jīng)網(wǎng)絡(luò)核函數(shù)的寬度σ為10。所有數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，如式（6）所示：

式中：Xs為標(biāo)準(zhǔn)化處理后的樣本向量，Xt為原樣本向量，為列向量的平均值，S為列向量的標(biāo)準(zhǔn)差。

本文給出了2012－2015年天然氣消費核心影響因素的基準(zhǔn)情景估計值，根據(jù)我國“十二五規(guī)劃”，人口年均自然增長率控制在7.2‰以內(nèi)。我國國內(nèi)生產(chǎn)總值在2015年將達(dá)到55.8萬億元，年均增長7%，故本文以7%的增長率計算GDP變化量。2015年城鎮(zhèn)化率要達(dá)到54%以上，“十二五”第一年（2011）的城鎮(zhèn)化率已達(dá)到51.27%。十八大后，中國政府致力于改變貧富差距、保持經(jīng)濟的持續(xù)發(fā)展，而完成這兩個目標(biāo)的最重要的一個措施就是城鎮(zhèn)化，通過城鎮(zhèn)化來縮小貧富差距，在城鎮(zhèn)化過程中基礎(chǔ)設(shè)施、產(chǎn)業(yè)的轉(zhuǎn)移和結(jié)構(gòu)調(diào)整將帶動大量的投資和就業(yè)。因此未來城鎮(zhèn)化的速度不會下降，按照十八大后大部分人口專家的估計，2020年中國的城鎮(zhèn)化將達(dá)到60%以上。按照這個預(yù)期，城鎮(zhèn)化的年增長率將達(dá)到2%左右，本文以增長率2%的標(biāo)準(zhǔn)來設(shè)定2011－2020年中國的城鎮(zhèn)化率。具體結(jié)果見表3。

4.4.2τ分位數(shù)的確定

RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸中，預(yù)測結(jié)果因分位數(shù)取值不同而有差異。反映在本文中，就是不同概率密度水平下，天然氣消費量預(yù)測結(jié)果的不同。如表4所示為不同分位數(shù)水平下天然氣消費預(yù)測量。選取1990－2006年數(shù)據(jù)為訓(xùn)練樣本，RBF神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后，對2007－2011年天然氣消費量進行預(yù)測，并與2007－2011我國天然氣實際消費量進行對比。由表4可以看出，分位數(shù)τ＝0.1時，預(yù)測誤差最小為3.02%，相應(yīng)的天然氣走勢圖也與真實值對應(yīng)曲線最為接近，所以本文數(shù)據(jù)最合適的RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)模型應(yīng)該選取的τ值為0.1。

表3 天然氣消費核心影響因素基準(zhǔn)情景

表4 不同分位數(shù)水平（τ）下天然氣消費預(yù)測結(jié)果差異比較

圖2 不同分位數(shù)水平下天然氣消費量走勢圖

對模型進行訓(xùn)練，將所得1990－2011天然氣消費量擬合數(shù)據(jù)與真實數(shù)據(jù)比較，計算預(yù)測平均誤差為0.08%，即模型的擬合精度高達(dá)99.92%，這顯示了RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸在進行復(fù)雜非線性預(yù)測方面的優(yōu)越性。2012－2020年的我國天然氣消費量預(yù)測值的具體結(jié)果見表8。

表5 天然氣消費需求（百萬立方米）預(yù)測結(jié)果

預(yù)測結(jié)果表明，2012年我國天然氣消費總量預(yù)測值為138996.8百萬立方米，而2012年天然氣實際消費量為132774.13百萬立方米，相對誤差為4.69%，年均增長率為8.24%，在可接受范圍內(nèi)，比較合理。雖然預(yù)測值略大于真實值，但是天然氣作為新興的清潔能源，發(fā)展速度快、發(fā)展?jié)摿Υ?，其預(yù)測值略大于真實消費值是合理的。因為，隨著時間的變化，科技進步加快，勢必會提高能源的利用率。從環(huán)比增長速率來看，天然氣消費量增長速度減緩。原因可能在于太陽能、生物質(zhì)能、地?zé)崮艿惹鍧嵞茉吹耐茝V應(yīng)用、我國GDP增速放緩、天然氣替代能源價格下降等原因。但是從年均增長速率和1990－2020年我國天然氣消費量的整體走勢來看，天然氣的消費量還是一直處于平穩(wěn)上升狀態(tài)。

5 結(jié)語

本文對我國天然氣消費進行深入剖析，利用通徑分析方法篩選核心影響因素，發(fā)現(xiàn)人口和城鎮(zhèn)化率是天然氣消費的主要推動因素，GDP是天然氣消費的主要限制因素。這與目前我國的能源消費結(jié)構(gòu)相關(guān)，我國能源現(xiàn)狀是“多煤，少氣”，能源消費還是主要以煤炭為主。但近年來環(huán)境污染的巨大壓力使得我國正在逐漸實現(xiàn)能源結(jié)構(gòu)的轉(zhuǎn)型，所以天然氣在能源消費中占比增加，呈現(xiàn)出增長趨勢。模型的預(yù)測結(jié)果也表明，隨著我國能源消費結(jié)構(gòu)的改變，天然氣相對于煤炭的清潔優(yōu)勢使得我國天然氣消費量總體呈現(xiàn)增長趨勢。保守估計“十二五”期末中國天然氣需求量將達(dá)到近178532.1百萬立方米，2020年中國天然氣消費達(dá)到近261853.0百萬立方米，2011－2020年的年平均需求增長率達(dá)到8.24%。這種現(xiàn)狀雖然表明我國在能源結(jié)構(gòu)轉(zhuǎn)型中取得了一定成績，但同時也為我國應(yīng)對天然氣需求高峰提出了挑戰(zhàn)。政府相關(guān)部門應(yīng)提前采取措施對天然氣的使用進行統(tǒng)籌規(guī)劃，如合理分配、價格調(diào)整等。其次，應(yīng)該加大天然氣資源勘探開發(fā)力度，推進煤層氣、頁巖氣等非常規(guī)油氣資源開發(fā)利用，加大天然氣在能源儲備與調(diào)峰方面的作用。完善國內(nèi)油氣主干管網(wǎng)，統(tǒng)籌天然氣進口管道、液化天然氣接收站、跨區(qū)域骨干輸氣網(wǎng)和配氣管網(wǎng)建設(shè)，初步形成天然氣、煤層氣、煤制氣協(xié)調(diào)發(fā)展的供氣格局等。

［1］Das A，McFarlane A A，Chowdhury M.The dynamics of natural gas consumption and GDP in Bangladesh［J］.Renewable and Sustainable Energy Reviews，2013，22（8）：269－274.

［2］Apergis N，Payne J E.Natural gas consumption and economic growth：A panel investigation of 67countries［J］.Applied Energy，2010，87（8）：2759－2763.

［3］Kankal M，Akp?nar A，Kümürcü M I·，et al.Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables［J］.Applied Energy，2011，88（5）：1927－1939.

［4］周躍忠，李婷 .天然氣消費影響因素探究［J］.商業(yè)現(xiàn)代化，2008，553（10）：187－188.

［5］史立軍，周泓 .我國天然氣供需安全的系統(tǒng)動力學(xué)分析［J］.中國軟科學(xué)，2012，（3）：162－169.

［6］Sánchez-U＇beda E F，Berzosa A.Modeling and forecasting industrial end-use natural gas consumption［J］.Energy Economics，2007，29（4）：710－742.

［7］Gutiérrez R，Nafidi A，Sánchez R G.Forecasting total naturalgas consumption in Spain by using the stochastic Gompertz innovation diffusion model［J］.Applied Energy，2005，80（2）：115－124.

［8］Khotanzad A，Elragal H，Lu T L.Combination of artificial neural-network forecasters for prediction of natural gas consumption［J］.Neural Networks，IEEE Transactions on，2000，11（2）：464－473.

［9］Xu Gang，Wang Weiguo.Forecasting China＇s natural gas consumption based on a combination model［J］.Journal of Natural Gas Chemistry，2010，19（5）：493－496.

［10］Soldo B.Forecasting natural gas consumption［J］.Applied Energy，2012，92（4）：26－37.

［11］李君臣，董秀成，高建 .我國天然氣消費的系統(tǒng)動力學(xué)預(yù)測與分析［J］.天然氣工業(yè)，2010，30（4）：127－129.

［12］羅東坤，徐平 .基于改進BP神經(jīng)網(wǎng)絡(luò)的天然氣需求預(yù)測［J］.油氣田地面工程，2008，27（7）：20－21.

［13］周子卜，李莉，張淑英 .基于灰色理論的天然氣需求預(yù)測［J］.天然氣勘探與開發(fā)，2006，29（1）：74－76.

［14］何耀耀，許啟發(fā)，楊善林，等 .基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測方法［J］.中國電機工程學(xué)報，2013，33（001）：93－98.

［15］Chai Jian，Guo Ju-E，Meng Lei，et al.Exploring the core factors and its dynamic effects on oil price：An application on path analysis and BVAR-TVP model［J］.Energy Policy，2011，39（12）：8022－8036.

［16］Moody J，Darken C J.Fast learning in networks of locallytuned processing units［J］.Neural computation，1989，（2）：281－294.

［17］Koenker R，Bassett G.Regression quantiles［J］.Econometrica，1978，46（1）：33－50.

［18］Taylor J W.A quantile regression neural network approach to estimating the conditional density of multiperiod returns［J］.Journal of Forecasting，2000，19（4）：299－311.