我国区域天然气消费量的趋势预测

张　涛　杨娇敏

中国石油大学（华东）经济管理学院

张涛等.我国区域天然气消费量的趋势预测. 天然气工业，2016， 36（9）: 135-140.

我国区域天然气消费量的趋势预测

张涛杨娇敏

中国石油大学（华东）经济管理学院

张涛等.我国区域天然气消费量的趋势预测. 天然气工业，2016， 36（9）: 135-140.

近年来，中国的天然气消费量快速增长，合理预测区域市场天然气的消费量，对天然气调配和管网的优化调度、实现节能减排目标和进行国民经济核算等都具有重要意义。为此，基于中国29个省市2010—2014年天然气消费量的数据，构建灰色新陈代谢GM（1，1）预测模型并且进行精度检验。检验结果显示，新陈代谢GM（1，1）模型拥有较好的预测精度。通过新陈代谢GM（1，1）模型预测全国及各省份的天然气消费量，结果表明：①预计到2020年，我国天然气消费量达到3 785.21×108m3；②从空间分布来看，华东地区天然气消费量最高，全国天然气消费量呈现“西低东高”的分布格局； ③从省际层面来看，预计到2020年天然气消费量最高的前5个省区市为浙江、辽宁、北京、江苏、广东，天然气消费量最低的5个省区市为云南、宁夏、吉林、黑龙江、贵州。在被统计的29个省区市中，广西的天然气消费量增幅最大，宁夏的降幅最大。通过准确预测各地区天然气消费量，为未来我国天然气消费量预测提供了一个新的预测模型和消费增长数据。

中国天然气消费量灰色预测系统新陈代谢精度检测均值方差比小误差概率区域

近年来，中国的天然气消费量快速增长，合理预测各区域的天然气消费量有利于管网的优化调度，保证管网供气量，同时对于实现节能减排目标、国家政策的分析和制定以及国民经济核算等也具有重要的意义［1-2］。国内外学者已对天然气消费量预测开展了大量研究，常用的预测方法有两类：①因果解释性预测法，如回归分析法、BP神经网络等［3-4］；②历史数据法，如指数平滑法、支持向量机、灰色模型等［5-7］。由于天然气消费量受众多因素的影响，并且各影响因素与消费量之间又存在着复杂的非线性关系［2］。因此，笔者在前人研究的基础上，将中国29个省市自治区2010—2014年天然气消费量数据作为原始序列，构建预测模型并进行精度检验。与以往的研究有所不同的是，笔者构建了灰色新陈代谢GM（1，1）预测模型，并据此来探讨中国的区域天然气消费量。

1　灰色新陈代谢模型

1.1传统GM（1，1）模型

灰色系统预测是以“部分信息已知，部分信息未知”的“小样本”“贫信息”不确定性系统为研究对象，从数据自身出发通过对“部分”已知信息的生成和开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述［8-9］。由于影响天然气消费量内外部的因素无法确知，并且可供分析样本较少［10］，利用灰色系统理论从天然气消费量历史数据出发，构建天然气消费量预测模型具有一定的合理性。

传统GM（1，1）模型基本原理是对原始序列作一次累加生成，使得生成序列具有一定的指数规律，通过构建微分方程模型，对模型进行参数估计，并采用序列累减还原为预测值实现系统预测。

设原始序列X（0）=［x（0）（1）， x（0）（2），…，x（0）（n） ］，对其进行一次累加生成，则生成的1-AGO序列X（1）=［x（1）（1）， x（1）（2），…，x（1）（n） ］为：

令

则传统GM（1，1）模型的基本形式为：

其白化方程为：

采用最小二乘法进行参数估计：

其中

则白化方程的时间响应函数为：

对其作累减还原得：

GM（1，1）模型精度检验通常采用对残差的考察来判断。

残差序列的均值（ε ）和方差（S2）为：

采用均值方差比（C）和小误差概率（p）来检验模型精度，其中

均值方差比C越小越好，C越小说明S2越小，S1越大，表明残差比较集中，模拟效果越好；P表示概率，小误差概率越大越好，p越大，表明残差与残差平均值之差小于给定值0.674 5 S1的点越多。具体预测精度评判标准如表1所示。

表1　模型精度检验等级表

1.2新陈代谢GM（1，1）模型

在灰色系统预测建模过程中，考虑到原始序列X（0）中早期数据对整体预测精度的影响，从原始数据中取出一部分数据，根据系统产生的最新数据，替换掉原序列中最陈旧的数据，逐个预测依次递补，直到达到所要完成的预测目标为止。这样不断迭代所建立的GM（1，1）模型，即为灰色新陈代谢模型。该模型使得预测所得的新信息得到有效的利用，灰平面预测范围缩小，结果更加精确［11］。

2　实证分析

2.1区域天然气消费量分析

根据中华人民共和国国家统计局网站和《中国能源统计年鉴》数据，梳理29个省市自治区2010—2014年天然气消费量数据（表2）。

表2　2010—2014年全国及各地区天然气消费量表

从表2可以看出：①从统计数据综合来看，全国天然气消费量从2010年的1 069.41×108m3增加到2014年的1 868.94×108m3，增幅达74.76%。②从区域天然气消费量数据来看，除内蒙古自治区和四川省，其余省市天然气消费量均呈现增长状态。天然气消费量最多的5个省市为四川、广东、江苏、北京、辽宁；天然气消费量最少的5个省份为云南、广西、贵州、江西、宁夏。③从华北、东北、华东、中南部和西部五大区域来看，我国天然气消费量呈明显的“西低东高”分布格局。

2.2灰色新陈代谢预测模型预测结果

以2010—2014年各地区天然气消费量数值作为原始序列，根据公式（1）～（7），先采用传统GM（1，1）模型进行灰色系统建模，再采用新陈代谢模型进行6次迭代拟合，最终各地区的天然气消费量预测值（表3）。

由表3可知：①从预测结果来看，预计2020年天然气消费量达到3785.21×108m3。②从增幅来看，各地区平均增幅为89.71%。③从省际天然气消费量来看，预计到2020年天然气消费量高的前5个省市为浙江、辽宁、北京、江苏、广东；天然气消费量低的5个省份为云南、宁夏、吉林、黑龙江、贵州。空间上依然呈“西低东高”的格局。

表3　基于灰色新陈代谢区域天然气消费量预测值表

2.3模型精度检验

总体上，各省市天然气消费量经过6次新陈代谢迭代后，最终模型均值方差比（C）、小误差概率（P）精度检验值及对应的精度等级如表4所示。

表4　模型精度检验值

根据精度检验等级表，由表4可知，各地区各模型的均值方差比都小于0.35，均值方差比值为一级标准；模型的小误差概率都等于1，说明模型预测精度很高，预测模型拟合优度也达到了一级标准。因此，从以上检验指标来看，灰色新陈代谢模型基本可以满足对天然气消费量历史数据进行较高精度的数值模拟，模型总体具有很好的预测精度。

3　结论

通过构建灰色新陈代谢GM（1，1）模型，用我国29个省市自治区2010—2014年的天然气消费量对我国2016—2020年的天然气消费量进行了预测。通过分析发现，新陈代谢GM（1，1）模型在预测天然气消费量时，有较好的预测精度。通过6次迭代计算出，到2020年底，全国天然气消费量将会达3 785.21×108m3；从地区角度，呈现“西低东高”的态势；从省级角度来看，浙江将可能取代四川，成为天然气消费量最高的省份，云南将可能成为消费量最低的省份。

由于本文的基础数据期（2010—2014年）是我国天然气市场超常规发展时期，市场处于供不应求状态，而从2014年下半年起，国际油价大幅下跌，国际和国内经济形势及天然气市场发生了巨大的变化，国内经济增长速度放缓，且暖冬来临，冬季采暖用气大幅降低，国内天然气需求量锐减。另一方面，由于灰色新陈代谢GM（1，1）模型主要基于过去天然气消费量的基础数据进行结果预测，而没有考虑国民经济和世界经济的发展变化等因素对天然气市场的影响，因此，该模型预测结果存在一定的误差。另外，由于灰色新陈代谢GM（1，1）模型采用生成数列建模，利用过去到现在的较少数据，即可对未来的数据进行预测，所以其适用于已知少量不完全信息且系统不发生较大转折变化的阶段，此时预测具有较强的准确性。

［1］ 胡奥林. 新版《天然气利用政策》解读［J］. 天然气工业， 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， 刘书文， 罗山， 方炯， 孙丽. 灰色模型预测天然气消费量［J］. 天然气与石油， 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］ 钱永坤. 江苏省未来天然气消费量预测［J］. 能源研究与利用，2003（1）: 8-12.

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

［4］ 罗东坤， 徐平. 基于改进BP神经网络的天然气需求预测［J］.油气田地面工程， 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］ 吕金涛. 基于指数平滑模型的我国天然气消费量预测［J］. 商场现代化， 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， 郭志钢. 最小二乘支持向量机与马尔可夫链组合预测应用研究——以四川省天然气消费量为例［J］. 煤炭技术，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， 刘书文， 罗山， 方炯， 孙丽. 天然气消费量的灰色模型预测［J］. 管道技术与设备， 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］ 黄松钱， 王卫民， 曾聪， 郝爽， 曹小娟. 基于灰色新陈代谢GM（1， 1）模型的中国水产品年总产量的预测［J］. 中国农学通报， 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］ 高军， 宋书贵， 吴鹏， 熊璟， 李权锋. 天然气消费量组合预测建模及应用［J］. 西南石油大学学报：社会科学版， 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， 陈海琴. 灰色新陈代谢模型在河南小麦产量预测中的应用［J］. 湖北农业科学， 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 编辑 陈嵩）

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

山东省重点研发计划项目“基于山东省油气产业转型升级的结构优化驱动分析及可持续发展对策研究”（编号：2015GGX109004）、山东省自然科学基金项目“信息不对称的分布式多项目动态协同调度研究”（编号：BS2015SF010）、中央高校基本科研业务费专项资金资助课题“企业积极环境行为的形成机理与促进对策研究”（编号：15CX05006B）、东营市社科重点课题“低油价背景下东营市产业结构调整的困境与对策研究”（编号：DYSK2016-5）。

张涛，1980年生，副教授，博士；主要从事系统工程相关理论应用研究工作。地址：（266580）山东省青岛市黄岛区长江西路66号。ORCID: 0000-0002-0624-356X。E-mail: zht2129@126.com