張　濤　楊嬌敏

中國石油大學(xué)（華東）經(jīng)濟(jì)管理學(xué)院

張濤等.我國區(qū)域天然氣消費(fèi)量的趨勢預(yù)測. 天然氣工業(yè)，2016， 36（9）: 135-140.

我國區(qū)域天然氣消費(fèi)量的趨勢預(yù)測

張濤楊嬌敏

中國石油大學(xué)（華東）經(jīng)濟(jì)管理學(xué)院

張濤等.我國區(qū)域天然氣消費(fèi)量的趨勢預(yù)測. 天然氣工業(yè)，2016， 36（9）: 135-140.

近年來，中國的天然氣消費(fèi)量快速增長，合理預(yù)測區(qū)域市場天然氣的消費(fèi)量，對天然氣調(diào)配和管網(wǎng)的優(yōu)化調(diào)度、實(shí)現(xiàn)節(jié)能減排目標(biāo)和進(jìn)行國民經(jīng)濟(jì)核算等都具有重要意義。為此，基于中國29個(gè)省市2010—2014年天然氣消費(fèi)量的數(shù)據(jù)，構(gòu)建灰色新陳代謝GM（1，1）預(yù)測模型并且進(jìn)行精度檢驗(yàn)。檢驗(yàn)結(jié)果顯示，新陳代謝GM（1，1）模型擁有較好的預(yù)測精度。通過新陳代謝GM（1，1）模型預(yù)測全國及各省份的天然氣消費(fèi)量，結(jié)果表明：①預(yù)計(jì)到2020年，我國天然氣消費(fèi)量達(dá)到3 785.21×108m3；②從空間分布來看，華東地區(qū)天然氣消費(fèi)量最高，全國天然氣消費(fèi)量呈現(xiàn)“西低東高”的分布格局； ③從省際層面來看，預(yù)計(jì)到2020年天然氣消費(fèi)量最高的前5個(gè)省區(qū)市為浙江、遼寧、北京、江蘇、廣東，天然氣消費(fèi)量最低的5個(gè)省區(qū)市為云南、寧夏、吉林、黑龍江、貴州。在被統(tǒng)計(jì)的29個(gè)省區(qū)市中，廣西的天然氣消費(fèi)量增幅最大，寧夏的降幅最大。通過準(zhǔn)確預(yù)測各地區(qū)天然氣消費(fèi)量，為未來我國天然氣消費(fèi)量預(yù)測提供了一個(gè)新的預(yù)測模型和消費(fèi)增長數(shù)據(jù)。

中國天然氣消費(fèi)量灰色預(yù)測系統(tǒng)新陳代謝精度檢測均值方差比小誤差概率區(qū)域

近年來，中國的天然氣消費(fèi)量快速增長，合理預(yù)測各區(qū)域的天然氣消費(fèi)量有利于管網(wǎng)的優(yōu)化調(diào)度，保證管網(wǎng)供氣量，同時(shí)對于實(shí)現(xiàn)節(jié)能減排目標(biāo)、國家政策的分析和制定以及國民經(jīng)濟(jì)核算等也具有重要的意義［1-2］。國內(nèi)外學(xué)者已對天然氣消費(fèi)量預(yù)測開展了大量研究，常用的預(yù)測方法有兩類：①因果解釋性預(yù)測法，如回歸分析法、BP神經(jīng)網(wǎng)絡(luò)等［3-4］；②歷史數(shù)據(jù)法，如指數(shù)平滑法、支持向量機(jī)、灰色模型等［5-7］。由于天然氣消費(fèi)量受眾多因素的影響，并且各影響因素與消費(fèi)量之間又存在著復(fù)雜的非線性關(guān)系［2］。因此，筆者在前人研究的基礎(chǔ)上，將中國29個(gè)省市自治區(qū)2010—2014年天然氣消費(fèi)量數(shù)據(jù)作為原始序列，構(gòu)建預(yù)測模型并進(jìn)行精度檢驗(yàn)。與以往的研究有所不同的是，筆者構(gòu)建了灰色新陳代謝GM（1，1）預(yù)測模型，并據(jù)此來探討中國的區(qū)域天然氣消費(fèi)量。

1　灰色新陳代謝模型

1.1傳統(tǒng)GM（1，1）模型

灰色系統(tǒng)預(yù)測是以“部分信息已知，部分信息未知”的“小樣本”“貧信息”不確定性系統(tǒng)為研究對象，從數(shù)據(jù)自身出發(fā)通過對“部分”已知信息的生成和開發(fā)，提取有價(jià)值的信息，實(shí)現(xiàn)對系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述［8-9］。由于影響天然氣消費(fèi)量內(nèi)外部的因素?zé)o法確知，并且可供分析樣本較少［10］，利用灰色系統(tǒng)理論從天然氣消費(fèi)量歷史數(shù)據(jù)出發(fā)，構(gòu)建天然氣消費(fèi)量預(yù)測模型具有一定的合理性。

傳統(tǒng)GM（1，1）模型基本原理是對原始序列作一次累加生成，使得生成序列具有一定的指數(shù)規(guī)律，通過構(gòu)建微分方程模型，對模型進(jìn)行參數(shù)估計(jì)，并采用序列累減還原為預(yù)測值實(shí)現(xiàn)系統(tǒng)預(yù)測。

設(shè)原始序列X（0）=［x（0）（1）， x（0）（2），…，x（0）（n） ］，對其進(jìn)行一次累加生成，則生成的1-AGO序列X（1）=［x（1）（1）， x（1）（2），…，x（1）（n） ］為：

令

則傳統(tǒng)GM（1，1）模型的基本形式為：

其白化方程為：

采用最小二乘法進(jìn)行參數(shù)估計(jì)：

其中

則白化方程的時(shí)間響應(yīng)函數(shù)為：

對其作累減還原得：

GM（1，1）模型精度檢驗(yàn)通常采用對殘差的考察來判斷。

殘差序列的均值（ε ）和方差（S2）為：

采用均值方差比（C）和小誤差概率（p）來檢驗(yàn)?zāi)Ｐ途?，其?/p>

均值方差比C越小越好，C越小說明S2越小，S1越大，表明殘差比較集中，模擬效果越好；P表示概率，小誤差概率越大越好，p越大，表明殘差與殘差平均值之差小于給定值0.674 5 S1的點(diǎn)越多。具體預(yù)測精度評判標(biāo)準(zhǔn)如表1所示。

表1　模型精度檢驗(yàn)等級表

1.2新陳代謝GM（1，1）模型

在灰色系統(tǒng)預(yù)測建模過程中，考慮到原始序列X（0）中早期數(shù)據(jù)對整體預(yù)測精度的影響，從原始數(shù)據(jù)中取出一部分?jǐn)?shù)據(jù)，根據(jù)系統(tǒng)產(chǎn)生的最新數(shù)據(jù)，替換掉原序列中最陳舊的數(shù)據(jù)，逐個(gè)預(yù)測依次遞補(bǔ)，直到達(dá)到所要完成的預(yù)測目標(biāo)為止。這樣不斷迭代所建立的GM（1，1）模型，即為灰色新陳代謝模型。該模型使得預(yù)測所得的新信息得到有效的利用，灰平面預(yù)測范圍縮小，結(jié)果更加精確［11］。

2　實(shí)證分析

2.1區(qū)域天然氣消費(fèi)量分析

根據(jù)中華人民共和國國家統(tǒng)計(jì)局網(wǎng)站和《中國能源統(tǒng)計(jì)年鑒》數(shù)據(jù)，梳理29個(gè)省市自治區(qū)2010—2014年天然氣消費(fèi)量數(shù)據(jù)（表2）。

表2　2010—2014年全國及各地區(qū)天然氣消費(fèi)量表

從表2可以看出：①從統(tǒng)計(jì)數(shù)據(jù)綜合來看，全國天然氣消費(fèi)量從2010年的1 069.41×108m3增加到2014年的1 868.94×108m3，增幅達(dá)74.76%。②從區(qū)域天然氣消費(fèi)量數(shù)據(jù)來看，除內(nèi)蒙古自治區(qū)和四川省，其余省市天然氣消費(fèi)量均呈現(xiàn)增長狀態(tài)。天然氣消費(fèi)量最多的5個(gè)省市為四川、廣東、江蘇、北京、遼寧；天然氣消費(fèi)量最少的5個(gè)省份為云南、廣西、貴州、江西、寧夏。③從華北、東北、華東、中南部和西部五大區(qū)域來看，我國天然氣消費(fèi)量呈明顯的“西低東高”分布格局。

2.2灰色新陳代謝預(yù)測模型預(yù)測結(jié)果

以2010—2014年各地區(qū)天然氣消費(fèi)量數(shù)值作為原始序列，根據(jù)公式（1）～（7），先采用傳統(tǒng)GM（1，1）模型進(jìn)行灰色系統(tǒng)建模，再采用新陳代謝模型進(jìn)行6次迭代擬合，最終各地區(qū)的天然氣消費(fèi)量預(yù)測值（表3）。

由表3可知：①從預(yù)測結(jié)果來看，預(yù)計(jì)2020年天然氣消費(fèi)量達(dá)到3785.21×108m3。②從增幅來看，各地區(qū)平均增幅為89.71%。③從省際天然氣消費(fèi)量來看，預(yù)計(jì)到2020年天然氣消費(fèi)量高的前5個(gè)省市為浙江、遼寧、北京、江蘇、廣東；天然氣消費(fèi)量低的5個(gè)省份為云南、寧夏、吉林、黑龍江、貴州?？臻g上依然呈“西低東高”的格局。

表3　基于灰色新陳代謝區(qū)域天然氣消費(fèi)量預(yù)測值表

2.3模型精度檢驗(yàn)

總體上，各省市天然氣消費(fèi)量經(jīng)過6次新陳代謝迭代后，最終模型均值方差比（C）、小誤差概率（P）精度檢驗(yàn)值及對應(yīng)的精度等級如表4所示。

表4　模型精度檢驗(yàn)值

根據(jù)精度檢驗(yàn)等級表，由表4可知，各地區(qū)各模型的均值方差比都小于0.35，均值方差比值為一級標(biāo)準(zhǔn)；模型的小誤差概率都等于1，說明模型預(yù)測精度很高，預(yù)測模型擬合優(yōu)度也達(dá)到了一級標(biāo)準(zhǔn)。因此，從以上檢驗(yàn)指標(biāo)來看，灰色新陳代謝模型基本可以滿足對天然氣消費(fèi)量歷史數(shù)據(jù)進(jìn)行較高精度的數(shù)值模擬，模型總體具有很好的預(yù)測精度。

3　結(jié)論

通過構(gòu)建灰色新陳代謝GM（1，1）模型，用我國29個(gè)省市自治區(qū)2010—2014年的天然氣消費(fèi)量對我國2016—2020年的天然氣消費(fèi)量進(jìn)行了預(yù)測。通過分析發(fā)現(xiàn)，新陳代謝GM（1，1）模型在預(yù)測天然氣消費(fèi)量時(shí)，有較好的預(yù)測精度。通過6次迭代計(jì)算出，到2020年底，全國天然氣消費(fèi)量將會達(dá)3 785.21×108m3；從地區(qū)角度，呈現(xiàn)“西低東高”的態(tài)勢；從省級角度來看，浙江將可能取代四川，成為天然氣消費(fèi)量最高的省份，云南將可能成為消費(fèi)量最低的省份。

由于本文的基礎(chǔ)數(shù)據(jù)期（2010—2014年）是我國天然氣市場超常規(guī)發(fā)展時(shí)期，市場處于供不應(yīng)求狀態(tài)，而從2014年下半年起，國際油價(jià)大幅下跌，國際和國內(nèi)經(jīng)濟(jì)形勢及天然氣市場發(fā)生了巨大的變化，國內(nèi)經(jīng)濟(jì)增長速度放緩，且暖冬來臨，冬季采暖用氣大幅降低，國內(nèi)天然氣需求量銳減。另一方面，由于灰色新陳代謝GM（1，1）模型主要基于過去天然氣消費(fèi)量的基礎(chǔ)數(shù)據(jù)進(jìn)行結(jié)果預(yù)測，而沒有考慮國民經(jīng)濟(jì)和世界經(jīng)濟(jì)的發(fā)展變化等因素對天然氣市場的影響，因此，該模型預(yù)測結(jié)果存在一定的誤差。另外，由于灰色新陳代謝GM（1，1）模型采用生成數(shù)列建模，利用過去到現(xiàn)在的較少數(shù)據(jù)，即可對未來的數(shù)據(jù)進(jìn)行預(yù)測，所以其適用于已知少量不完全信息且系統(tǒng)不發(fā)生較大轉(zhuǎn)折變化的階段，此時(shí)預(yù)測具有較強(qiáng)的準(zhǔn)確性。

［1］ 胡奧林. 新版《天然氣利用政策》解讀［J］. 天然氣工業(yè)， 2013，33（2）: 110-114.

Hu Aolin. An interpretation of the new version Natural Gas Utilization Policies［J］. Natural Gas Industry， 2013， 33（2）: 110-114.

［2］ 王兵， 劉書文， 羅山， 方炯， 孫麗. 灰色模型預(yù)測天然氣消費(fèi)量［J］. 天然氣與石油， 2008， 26（5）: 30-32.

Wang Bing， Liu Shuwen， Luo Shan， Fang Jiong， Sun Li. Application of grey model to predict natural gas consumption［J］. Natural Gas and Oil， 2008， 26（5）: 30-32.

［3］ 錢永坤. 江蘇省未來天然氣消費(fèi)量預(yù)測［J］. 能源研究與利用，2003（1）: 8-12.

Qian Yongkun. Predict natural gas consumption of Jiangsu［J］. Energy Research and Utilization， 2003（1）: 8-12.

［4］ 羅東坤， 徐平. 基于改進(jìn)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.

Luo Dongkun， Xu Ping. Forecasting of natural gas demand based on improved BP neural network［J］. Oil-Gas Field Surface Engineering， 2008， 27（7）: 20-21.

［5］ 呂金濤. 基于指數(shù)平滑模型的我國天然氣消費(fèi)量預(yù)測［J］. 商場現(xiàn)代化， 2012（25）: 171-172.

Lü Jintao. Prediction of natural gas consumption based on Exponential Smooth Model［J］. Market Modernization， 2012（25）: 171-172.

［6］ 蒲忠， 李秋， 郭志鋼. 最小二乘支持向量機(jī)與馬爾可夫鏈組合預(yù)測應(yīng)用研究——以四川省天然氣消費(fèi)量為例［J］. 煤炭技術(shù)，2010， 29（8）: 175-177.

Pu Zhong， Li Qiu， Guo Zhigang. Research on application of combination forecasting model based on LS-SVM and Markov Chain—Take consumption of natural gas in Sichuan Province as example［J］. Coal Technology， 2010， 29（8）: 175-177.

［7］ 王兵， 田丹， 劉書文， 羅山， 方炯， 孫麗. 天然氣消費(fèi)量的灰色模型預(yù)測［J］. 管道技術(shù)與設(shè)備， 2008（5）: 3-5.

Wang Bing， Tian Dan， Liu Shuwen， Luo Shan， Fang Jiong， Sun Li. Application of grey model to predict natural gas consumption［J］. Pipeline Technique and Equipment， 2008（5）: 3-5.

［8］ 黃松錢， 王衛(wèi)民， 曾聰， 郝爽， 曹小娟. 基于灰色新陳代謝GM（1， 1）模型的中國水產(chǎn)品年總產(chǎn)量的預(yù)測［J］. 中國農(nóng)學(xué)通報(bào)， 2012， 28（17）: 126-131.

Huang Songqian， Wang Weimin， Zeng Cong， Hao Shuang， Cao Xiaojuan. Application of gray metabolic GM（1， 1） in prediction of annual total yields of Chinese aquatic products［J］. Chinese Agricultural Science Bulletin， 2012， 28（17）: 126-131.

［9］ 高軍， 宋書貴， 吳鵬， 熊璟， 李權(quán)鋒. 天然氣消費(fèi)量組合預(yù)測建模及應(yīng)用［J］. 西南石油大學(xué)學(xué)報(bào)：社會科學(xué)版， 2012， 14（1）: 6-11.

Gao Jun， Song Shugui， Wu Peng， Xiong Jing， Li Quanfeng. Modeling and application of GM（ 1， 1） ， growth curve and Markov combination to natural gas consumption forecast［J］. Journal of Southwest Petroleum University: Social Sciences Edition， 2012，14（1）: 6-11.

［10］ 王健， 陳海琴. 灰色新陳代謝模型在河南小麥產(chǎn)量預(yù)測中的應(yīng)用［J］. 湖北農(nóng)業(yè)科學(xué)， 2013， 52（20）: 5079-5082.

Wang Jian， Chen Haiqin. Application of information renewal model for predicting wheat yield of Henan Province［J］. Hubei Agricultural Sciences， 2013， 52（20）: 5079-5082.

［11］ Akay D， Atak M. Grey prediction with rolling mechanism for electricity demand forecasting of Turkey［J］. Energy， 2007， 32（9）: 1670-1675.

（修改回稿日期 2016-07-29 編輯 陳嵩）

Trend prediction of natural gas consumption in diferent regions of China

Zhang Tao， Yang Jiaomin
（School of Economics and Management， China Uniνersity of Petroleum， Qingdao， Shandong 266580， China）
NATUR. GAS IND. VOLUME 36， ISSUE 9， pp.135-140， 9/25/2016. （ISSN 1000-0976； In Chinese）

In recent years， natural gas consumption in China rises quickly， so reasonable prediction of regional natural gas consumption is significant to the allocation of natural gas， optimal scheduling of pipeline networks， and even the realization of energy conservation and emission reduction and the accounting of national economy. In this paper， the gray metabolic GM （1， 1） prediction model was built based on the natural gas consumption of 29 provinces （municipalities） in China from 2010 to 2014， and its prediction accuracy was tested. Results show that the GM （1， 1） prediction model is good in prediction accuracy. It is predicted that natural gas consumption in China will reach 3 785.21×108m3in 2020. The natural gas consumption in China is spatially distributed in the pattern of "East high and West low"，with the highest consumption occurred in East China. In terms of provincial natural gas consumption， it is estimated that in 2020， the top five will include Zhejiang， Liaoning， Beijing， Jiangsu and Guangzhou， and the last five will include Yunnan， Ningxia， Jilin， Heilongjiang and Guizhou. Among 29 provinces （municipalities） for statistic analysis， Guangxi is the province with the highest growth rate of natural gas consumption and Ningxia is the one with the highest decline rate. Through accurate prediction of natural gas consumption of different regions， a new prediction model and consumption growth data are provided for predicting China's natural gas consumption in the future.

China； Natural gas consumption； Gray prediction system； Metabolism； Accuracy test； Mean-variance ratio； Little error probability； Region

10.3787/j.issn.1000-0976.2016.09.017

山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“基于山東省油氣產(chǎn)業(yè)轉(zhuǎn)型升級的結(jié)構(gòu)優(yōu)化驅(qū)動分析及可持續(xù)發(fā)展對策研究”（編號：2015GGX109004）、山東省自然科學(xué)基金項(xiàng)目“信息不對稱的分布式多項(xiàng)目動態(tài)協(xié)同調(diào)度研究”（編號：BS2015SF010）、中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助課題“企業(yè)積極環(huán)境行為的形成機(jī)理與促進(jìn)對策研究”（編號：15CX05006B）、東營市社科重點(diǎn)課題“低油價(jià)背景下東營市產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的困境與對策研究”（編號：DYSK2016-5）。

張濤，1980年生，副教授，博士；主要從事系統(tǒng)工程相關(guān)理論應(yīng)用研究工作。地址：（266580）山東省青島市黃島區(qū)長江西路66號。ORCID: 0000-0002-0624-356X。E-mail: zht2129@126.com