地球科学进展

地球科学进展, 2020, 35(3): 286-296 DOI: 10.11867/j.issn.1001-8166.2020.024

研究论文

中国2020—2030年石油资源需求情景预测

郑明贵,1,2, 李期1

1.江西理工大学 矿业贸易与投资研究中心，江西 赣州 341000

2.中国科学技术大学 管理学院，安徽 合肥 230026

Scenario Prediction of China’s Oil Resource Demand in 2020-2030

Zheng Minggui,1,2, Li Qi1

1.Research Center of Mining Trade & Investment, Jiangxi University of Science and Technology，Ganzhou Jiangxi 341000，China

2.The School of Management，University of Science and Technology of China，Hefei 230026，China

收稿日期: 2019-10-24   修回日期: 2020-02-09   网络出版日期: 2020-04-09

基金资助: 国家社会科学基金重点项目“中国战略性矿产资源国家安全评估与预警系统研究”.  2020-2050┫┣18AGL002
国家自然科学基金重点项目“大数据环境下的评价理论、方法和应用”.  71631006

Received: 2019-10-24   Revised: 2020-02-09   Online: 2020-04-09

作者简介 About authors

郑明贵（1978-），男，安徽颍上人，教授，主要从事资源经济与管理研究.E-mail：mgz268@sina.com

ZhengMinggui(1978-),male,YingshangCity,AnhuiProvince,Professor.Researchareasincluderesourceeconomyandmanagement.E-mail:mgz268@sina.com

摘要

石油对保障国家能源安全发挥着重要作用，科学预测未来中国石油需求量，对中国能源政策制定具有重要意义。结合灰色关联分析与ARIMA-BP神经网络组合模型，选取1999—2018年中国GDP、国际石油价格、单位GDP能耗、产业结构、城镇化率和石油生产量等6个驱动变量数据，对中国2020—2030年石油需求进行情景预测。结果表明：选取的驱动变量与中国石油需求具有较高的关联性，且组合模型较单一模型预测精度高。2020—2030年中国石油需求量和进口量不断增加，但增长幅度逐渐减缓。3种情景下2020年、2025年和2030年预测的石油需求量均值分别为67 577.03万t、73 227.25万t和76 081.55万t；2020—2030年预测的平均对外依存度为76.19%，远超过50%的国际警戒线。中国石油供需矛盾将更加尖锐，据此提出针对性的政策建议。

关键词： 石油需求 ; 对外依存度 ; 情景预测 ; ARIMA-BP模型

Abstract

Oil plays an important role in ensuring national energy security. It is of great significance for China’s energy policy-making to predict the future oil demand scientifically. Combined with the grey correlation analysis and combination model of ARIMA-BP neural network, data on six driving variables of China’s GDP, international oil price, energy consumption per unit GDP, industrial structure, urbanization rate and oil production in 1999-2018 were selected to predict China’s oil demand under different scenarios in 2020-2030. The results show that the selected driving variables are highly correlated with China’s oil demand, and the combined model is more accurate than the single model. From 2020 to 2030, China’s oil demand and import will continue to increase, but the growth rate will gradually slow down. Under the three scenarios, the predicted average oil demand in 2020, 2025 and 2030 will be 675.7703 million tons, 732.2725 million tons and 760.8155 million tons, respectively; the predicted average external dependence in 2020-2030 will be 76.19%, far exceeding the international warning line of 50%. The contradiction between China’s oil supply and demand will be more acute, and accordingly, some policy suggestions were put forward.

Keywords： Oil demand ; External dependence ; Scenario prediction ; ARIMA-BP model

PDF (1304KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

郑明贵, 李期. 中国2020—2030年石油资源需求情景预测. 地球科学进展[J], 2020, 35(3): 286-296 DOI:10.11867/j.issn.1001-8166.2020.024

Zheng Minggui, Li Qi. Scenario Prediction of China’s Oil Resource Demand in 2020-2030. Advances in Earth Science[J], 2020, 35(3): 286-296 DOI:10.11867/j.issn.1001-8166.2020.024

1 引 言

石油资源作为能源体系中的重要组成部分，在军事安全、经济和社会等方面具有重要影响。中国石油对外依存度在2015年突破60%，2018年原油进口依存度达到71%，远超过50%的国际警戒线。中国石油供需缺口大，石油供应安全存在较大风险。从2017年起，美国石油产量跃居世界第一，力图建立以其为主导的世界石油发展新秩序，中国能源安全将面临严峻的国际政治风险[1]。石油供给稳定是关系国家能源安全的关键因素，分析中国未来石油资源需求情景，对国家能源政策的制定具有十分重要的参考意义。

国内外学者对石油资源需求预测提出了一些方法，主要分为两大类：一是对石油需求的机理研究，如从经济增长[2]、产业结构[3]、国际石油价格[4]、机动车保有量[5]、碳排放[6]、城镇化水平、技术进步[7]和石油生产量[8]等角度分析中国石油需求的变化趋势。二是经验研究模型，利用数据分析等算法探索中国石油需求变化规律，并对未来值进行预测，主流的模型有比较分析法[9]、系统动力学[10]、灰色系统理论[11]、协整分析[12]和BP神经网络[13]等。

单一的预测模型在反映数据信息上有限，预测结果精度不及组合预测模型[14]。近些年大量学者利用组合预测模型对能源需求进行预测，如陈海涛[10]、孙梅等[15]、唐丽芳[16]和李振宇等[8]分别采用系统动力学和灰色关联模型、神经网络和卡尔曼算法、CPSO-SVM模型以及因子分析和Logistic模型对中国石油需求进行预测，但均没有对数据序列的线性与非线性关系进行分析。时间序列预测中，ARIMA模型对平稳序列的线性关系拟合效果显著，成为主要预测方法[17]，且常结合其他模型一起进行预测[18,19]，以提高预测水平。非线性预测模型中，BP神经网络模型在挖掘数据信息中的非线性关系方面具有强大的优势[20]，在中长期预测中应用较为普遍[21]。赵成柏等[17]和谢小军等[22]基于ARIMA模型与BP神经网络组合模型分别对中国碳排放强度和广西能源消费进行中长期预测，证实组合模型比单一模型预测精度更高。

结合ARIMA模型和BP神经网络进行情景分析的研究较少，现有国内文献中将其应用于中国石油资源需求情景预测中尚未见到。本文采用ARIMA-BP神经网络组合模型，选取中国GDP、国际石油价格、单位GDP能耗、产业结构、城镇化率、石油生产量等关键变量，预测中国2020—2030年不同情景下的石油需求量和石油进口量。

本文主要的边际贡献：①基于经济理论分析，选取了影响中国石油资源需求的6个驱动变量，利用灰色关联分析法进行了变量重要程度论证，为变量选取提供了创新性的方法支持。②构建了ARIMA-BP神经网络组合预测模型，与单一ARIMA模型、BP神经网络模型相比，提高了预测精度；对石油资源需求情景进行了定义，设置了主要驱动变量2020—2030年情景，利用组合预测模型进行了情景预测。

2 研究方法与数据来源

2.1 　研究方法

ARIMA模型能够根据时间序列数据信息，揭示动态数据内部发展规律，建立比较精确的数学模型，也能对系统的未来变化进行预测[23]。该模型对时间序列数据的线性相关性预测效果较好，但对数据的非线性信息挖掘效果欠佳。

BP神经网络能反映数据信息间多维映射关系，具有信号前向传播、误差反向传播的特点[24]。即信息从输入层输入，由第一个隐含层先进行数据处理，处理的数据再输入下一个隐含层处理，以此类推，得到最终数据由输出层输出，将输出数据与预期值进行对比，得到误差。将误差反向由输出层、隐含层、输入层进行数据处理，期间网络连接的权值重新调整，直至得到新信息至输出层输出。其优势在处理多元非线性数据上预测结果精度高。

单以ARIMA和BP模型进行预测可能出现预测偏差较大结果，将ARIMA模型的线性预测和BP神经网络的非线性预测优势组合起来，发挥各自的优势，达到提高预测效果的目的。因此，本文选用基于残差优化的ARIMA-BP神经网络组合模型对中国石油需求量进行情景预测，即运用ARIMA模型得出残差序列，与原数据序列带入BP神经网络中进行预测[23]。

2.2 　驱动变量选择与样本数据

根据前述文献结合经济理论分析，选取以下6个影响中国石油需求的驱动变量：①中国GDP。经济发展直接影响能源消费量，故GDP是影响石油需求的重要因素。②国际石油价格。石油价格对石油需求具有负效应，预测模型中需要加入价格因素。③单位GDP能耗。技术进步有助于提高能源使用效率，进而影响能源需求量，故单位GDP能耗是影响中国石油需求量的因素之一。④产业结构（第二产业增加值/GDP）。石油主要应用于工业领域，产业结构中工业占比是影响石油需求的主要因素。⑤城镇化率。城市化进程推动基础设施建设，促进交通、建筑等行业的发展，石油需求量增加，城镇化率在中国石油需求预测中起着不可忽视的作用。⑥石油生产量。供给影响需求，石油具有不可再生性，未来的石油需求量预测应考虑石油产量。表1为6个变量1999—2018年的数据。

表1   中国石油需求量、进口量及影响因素原始数据（1999—2018年）

Table 1  Raw data of China’s oil demand,imports and influencing factors（1999-2018）

时间中国GDP/亿元国际石油价格/（美元/t）单位GDP能耗/（吨标准煤/万元）产业结构/%城镇化率/%石油生产量/万t中国石油进口需求量/万t

石油需求量

/万t

1999年90 564.4135.091.5545.434.7816 0206 483.320 960
2000年100 280.1213.321.6245.536.2216 2609 748.522 360
2001年110 863.1182.311.5544.837.6616 4809 118.222 790
2002年121 717.4186.271.5344.539.0916 69010 269.324 740
2003年137 422.0216.401.6145.640.5316 96013 189.627 170
2004年161 840.2288.101.6645.941.7617 41017 291.331 890
2005年187 318.9407.621.6047.042.9918 08017 163.232 780
2006年219 438.5484.481.4947.644.3418 37019 453.034 770
2007年270 092.3535.361.3746.945.8918 67021 139.436 440
2008年319 244.6730.081.1647.046.9919 04023 015.538 470
2009年348 517.7456.841.0246.048.3418 95025 642.440 060
2010年412 119.3586.510.9746.549.9520 30029 437.245 550
2011年487 940.2781.890.8946.551.2720 29031 593.647 240
2012年538 580.0782.040.7945.452.5720 75033 088.849 530
2013年592 963.2778.590.7544.253.7321 00034 264.851 730
2014年641 280.6717.450.7043.354.7721 14036 179.653 930
2015年685 992.9380.030.6641.156.1021 46039 748.657 330
2016年740 060.8321.630.6340.157.3519 97038 101.058 700
2017年820 754.3389.270.6040.558.5219 15048 053.061 070
2018年900 309.5510.700.5640.759.5818 91046 200.064 120

注：中国GDP、中国石油进口量数据来自国家统计局；单位GDP能耗、产业结构和城镇化率根据国家统计局数据计算得到；国际石油价格、石油生产量和石油需求量数据来自《BP世界能源统计年鉴2010》和《BP世界能源统计年鉴2018》

新窗口打开| 下载CSV


为了进一步验证石油需求预测驱动变量的可行性，还需利用统计方法对数据进行检验，本文采用灰色关联分析法进行分析。其原理是随着时间的推移，根据两因素的变化趋势相近程度，判断其关联程度。趋势越相近，关联度越高，反之越小[21]。关联系数计算结果如表2所列。

表2   中国石油需求驱动变量分析结果

Table 2  Analysis results of China’s oil demand driven variables

变量中国GDP国际石油价格单位GDP能耗产业结构城镇化率石油生产量
关联系数0.700.690.540.680.820.77

新窗口打开| 下载CSV


表2显示的是影响中国石油需求的驱动变量关联重要程度按大小排序：城镇化>石油生产量>中国GDP>国际石油价格>产业结构>单位GDP能耗，关联系数值均大于0.5[21]，说明这些变量对中国石油需求量的影响程度较大，故选取这6个变量作为预测中国石油需求量的主要驱动变量是合理的。

3 情景预测

3.1 　预测模型选择

3.1.1　建立ARIMA模型

ARIMA(p,d,q)模型中，p为自回归阶数，d为数据差分次数，q为移动平均阶数。建立ARIMA模型，首先，对原数据取对数并利用Eviews9.0进行ADF（Augmented Dickey-Fuller）检验，判断数据平稳性。检验结果如表3所列，表明中国石油需求量在一阶差分下平稳，确定差分次数d为1。对该序列进行白噪声检验，结果得出为非白噪声序列，故可以对该序列进行建模。

表3   石油需求量ADF检验结果

Table 3  Oil demand ADF test results

检验统计量一阶差分ADF检验统计量测试临界值

1%置信

水平

5%置信水平10%置信水平
t统计量-4.903901-3.857386-3.040391-2.660551
p值0.0012

新窗口打开| 下载CSV


其次，利用SPSS19.0进行相关性和偏相关性分析（图1,2），初步确定自回归阶数p为4和5，移动平均阶数q为1和0，经过多次试验，当p取5，q取0时，自回归AR的各滞后阶数t值都通过，且该模型的R2为0.995，因此ARIMA模型的参数最优（图3），故确定ARIMA模型为（5,1,0）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   中国石油需求量ACF检验

Fig.1   China’s oil demand ACF test


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   中国石油需求量PACF检验

Fig.2   China’s oil demand PACF inspection


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   ARIMA模型参数

Fig.3   ARIMA model parameters


最后，对该模型进行检验和预测，为判断模型的有效性，对ARIMA(5,1,0)模型的残差进行相关性检验。该模型的残差ACF（Autocorrelation Function）和PACF（Partial Autocorrelation Function）都不显著，表明估计出的残差是纯随机的，模型提取信息充分。用该模型对中国石油需求量进行预测，预测拟合结果如图4所示。因此，模型拟合效果较好。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   ARIMA(5,1,0)模型预测拟合图

Fig.4   ARIMA (5,1,0) model prediction fit map


3.1.2　建立ARIMA-BP模型

采用MATLAB（2016）软件编程，运用newff函数构建网络。先将数据进行归一化，再采用试凑法确定隐含层节点数最优数量为9，设置学习步数为50 000，学习速率为0.1，最大误差为0.001，建立7-9-1的BP神经网络模型。把ARIMA预测误差和中国GDP、国际石油价格、单位GDP能耗、产业结构、城镇化率和石油生产量作为输入，石油需求量为输出，进行BP神经网络模型的训练，图5显示训练误差可以达到0.000001，网络建立有效。用此模型对中国石油需求量进行预测，图6表明BP神经网络预测值与实际值接近程度高。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   BP神经网络训练结果

Fig.5   BP neural network training result


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   BP神经网络石油需求预测

Fig.6   BP neural network oil demand forecast


3.1.3　3种预测模型比较

分别将ARIMA模型、BP神经网络以及组合模型对中国石油需求量进行预测，得到3种模型的相对预测误差，并进行对比分析（图7）。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   3种模型预测相对误差

Fig.7   Three models predict relative error


由图7可知，组合模型的预测相对误差最小。基于组合模型的中国石油需求量预测结果比单一模型的预测结果更接近于实际采集的数据，准确性较高，因此本文将组合模型应用于中国石油需求情景分析。

3.2 　情景设定

3.2.1　石油资源需求情景定义

参考李振宇等[8]的情景设置方法，由于石油生产量未来变化趋势不明显，根据其他5个驱动变量设置以下3种情景。

高情景（A）：未来10年中国经济保持中高速增长，国际石油价格迅速上升；资源使用效率显著提高，单位GDP能耗明显下降；产业结构调整升级加速推进，城镇化加快发展，对石油需求的增幅较大。

基准情景（B）：未来10年中国经济平稳发展，国际石油价格温和上升，单位GDP能耗有所下降，产业结构调整升级和城镇化稳步推进，对石油需求的增幅较小。

低情景（C）：未来10年中国经济减速增长，国际石油价格保持平稳，增幅较小，资源使用效率提高不显著，单位GDP能耗下降不明显，城镇化发展缓慢，对石油需求的增幅很小。

3.2.2　驱动变量2020—2030年情景设置

（1）中国GDP。影响GDP增长的因素错综复杂。按照当前中国经济高质量发展政策，未来经济增长将保持或者放缓增长。世界银行、国务院发展研究中心[25]预测中国2016—2020年、2021—2025年和2026—2030年经济年均增长率依次为7%、5.9%和5%；宏观经济研究院[26]预测“十三五”期间中国经济增速在7%左右。参考上述研究和李振宇等[8]对中国未来经济增长速度的设置，结合当前中国经济增长放缓的趋势，将2020年高情景（A）GDP增长率设为7%，2025年基准情景（B）GDP增长率设为6%，2030年低情景（C）GDP增长率设为5%，各情景其他年份GDP增长率按照0.3个百分点的变动幅度进行设置（表4）。

表4   中国GDP 2020—2030年情景设置

Table 4  China GDP 2020-2030 scenario setting

指标高情景（A）基准情景（B）低情景（C）
GDP增长率/%GDP/亿元GDP增长率/%GDP/亿元GDP增长率/%GDP/亿元
2020年情景7.01 030 764.356.31 017 321.835.61 003 967.53
2025年情景6.71 425 546.826.01 361 406.095.31 299 755.08
2030年情景6.41 943 970.305.71 796 232.815.01 658 853.45

新窗口打开| 下载CSV


（2）国际石油价格。国际能源机构预计2030年之前国际油价将维持在每桶50~70美元水平[27]，根据BP能源统计年鉴数据，测算出1999—2018年国际石油价格增长率（表5）。

表5   1999—2018年国际石油价格增长率

Table 5  International oil price growth rate from 1999 to 2018

时间1999—2002年2003—2006年2007—2010年2011—2014年2015—2018年
年均增长率/%8.3622.322.31-2.137.67

新窗口打开| 下载CSV


表5显示1999—2018年国际石油价格年均增长率为6.88%，2009—2018年国际石油价格年均增长率为1.12%。由此，设置2030年高情景（A）国际石油价格增长率为6.5%，2025年基准情景（B）国际石油价格增长率为4%，2020年低情景（C）国际石油价格增长率为1.5%，其他年份情景增长率设置上下浮动0.5%（表6）。

表6   国际石油价格2020—2030年情景设置

Table 6  International oil prices 2020-2030 scenario settings

指标高情景（A）基准情景（B）低情景（C）
国际石油价格增长率/%国际石油价格/（美元/t）国际石油价格增长率/%国际石油价格/（美元/t）国际石油价格增长率/%国际石油价格/（美元/t）
2020年情景5.5568.433.5547.081.5526.14
2025年情景6.0760.684.0665.602.0580.90
2030年情景6.51 042.204.5829.462.5657.24

新窗口打开| 下载CSV


（3）单位GDP能耗。影响能源消费的主要原因是经济总量。根据1999—2018年中国GDP与能源消费总量的历史数据，利用Eviews9.0对中国能源消费总量和GDP进行回归分析，修正后的方程为：

lnY=6.044001+0.518466lnX， R2=0.953413，

式中：Y和X分别表示为中国能源消费总量和GDP，lnY和lnX分别为其对数，6.04401和0.518466对应的T检验值分别为17.68203和19.19306。

根据公式（1）得到中国未来能源消费总量情景设置（表7）。

表7   中国能源消费总量2020—2030年情景设置

Table 7  China’s total energy consumption 2020-2030 scenario setting

指标高情景（A）基准情景（B）低情景（C）
中国GDP/亿元能源消费总量/万t标准煤中国GDP/亿元能源消费总量/万t标准煤中国GDP/亿元能源消费总量/万t标准煤
2020年情景1 030 764.35552 707.021 017 321.83548 958.091 003 967.53545 210.07
2025年情景1 425 546.82653 892.641 361 406.09638 469.781 299 755.08623 312.18
2030年情景1 943 970.30767 976.691 796 232.81737 141.151 658 853.45707 351.48

新窗口打开| 下载CSV


根据表7和表4，计算出中国单位GDP能耗2020—2030年情景设置（表8）。

表8   中国单位GDP能耗2020—2030年情景设置（吨标准煤/万元）

Table 8  China’s unit GDP energy consumption 2020-2030 scenario setting（Tons of standard coal equivalent/104 Yuan）

指标高情景（A）基准情景（B）低情景（C）
2020年情景0.5370.5400.542
2025年情景0.4610.4690.477
2030年情景0.3980.4110.422

新窗口打开| 下载CSV


（4）产业结构。2018年中国第二产业比重为40.7%，中国产业结构已进入加速调整时期。胡鞍钢等[28]认为，中国第二产业比重在2030年将下降到30%~36%。吴青龙等[29]将2030年中国产业结构优化后的第二产业比重设定38.7%为低速率，30%为高速率，其均值为中速。1999—2018年中国第二产业比重年均下降0.56%，2009—2018年年均下降1.41%，由此，设置2030年高情景（A）第二产业比重30%，低情景（C）为36.35%，基准情景（B）为33.74%；基准情景（B）2020年第二产业比重下降1%，高情景和低情景适当调整增长率（表9）。

表9   中国产业结构2020—2030年情景设置

Table 9  China’s industrial structure 2020-2030 scenario setting

指标高情景（A）基准情景（B）低情景（C）
产业结构增长率/%产业结构/%产业结构增长率/%产业结构/%产业结构增长率/%产业结构/%
2020年情景-1.8639.20-1.0039.89-0.3740.40
2025年情景-2.4034.72-1.4537.08-0.7638.89
2030年情景-2.8830.00-1.8733.74-1.3436.35

新窗口打开| 下载CSV


（5）城镇化率。根据“十三五”规划预测，2020年中国城镇化率将达到60%，故设置2020年低情景（C）和基准情景（B）城镇化率分别按照0.5%和1.0%的增长率变动，计算为60.18%和60.78%。高情景（A）城镇化水平略高，设置增长率为1.5%。参照已有研究[12]，2025年基准情景（B）城镇化率为64.83%，其他2个情景类似设置。参照吴青龙等[29]的研究，设置2030年3种情景的变动幅度（表10）。

表10   中国城镇化率2020—2030年情景设置

Table 10  China urbanization rate 2020-2030 scenario setting

指标高情景（A）基准情景（B）低情景（C）
城镇化增长率/%城镇化率/%城镇化增长率/%城镇化率/%城镇化增长率/%城镇化率/%
2020年情景1.5061.381.0060.780.5060.18
2025年情景1.8067.111.3064.830.6862.25
2030年情景2.2074.821.5069.840.9065.10

新窗口打开| 下载CSV


（6）石油生产量。禤伟旗等[9]预测2020年中国石油生产量为2亿t左右，中国石油经济技术研究院[30]预测中国石油生产量在2030年将维持在2亿t。根据《BP世界能源统计年鉴》数据核算出中国近20年的石油生产量增长率（表11），设置2020年中国石油生产量高情景（A）、基准情景（B）和低情景（C）分别以0.5%、0.3%和0.1%速率增长，2025年和2030年设置上浮0.25%（表12）。

表11   1999—2018年中国石油生产量平均增长率

Table 11  Average growth rate of China's oil production in 1999-2018

时间1999—2002年2003—2006年2007—2010年2011—2014年2015—2018年
平均增长率/%1.052.082.082.18-2.97

新窗口打开| 下载CSV


表12   中国2020—2030年石油生产量情景设置

Table 12  China's 2020-2030 oil production scenario setting

指标高情景（A）基准情景（B）低情景（C）
石油生产量增长率/%石油生产量/万t石油生产量增长率/%石油生产量/万t石油生产量增长率/%石油生产量/万t
2020年情景0.5019 099.570.3019 023.630.1018 947.84
2025年情景0.7519 826.630.5519 552.570.3519 281.76
2030年情景1.0020 837.990.8020 347.280.6019 867.19

新窗口打开| 下载CSV


3.3 　ARIMA误差预测

基于组合模型预测的方法，ARIMA预测误差将作为BP神经网络输入变量，因此需要对该变量进行预测，并设置未来情景。参照张宇青等[31]、陈蔚[32]和谢小军等[22]预测ARIMA误差的做法，基于滚动建模法，结合BP神经网络对误差进行训练和预测。

运用MATLAB（2016）对中国石油需求量ARIMA预测误差进行建模，设置网络输入与输出节点为5和1，第一层和第二层连接函数为正切函数，第三层为线性函数，共轭梯度法为训练函数，经多次学习和训练，当目标值误差收敛在一个很小的值时，网络建立有效，最终确定最优网络结构为5-5-1。将2014—2018年的误差输入建立的网络中，得到2019年的误差值；再输入2015—2019年的误差，得到2020年的误差值，以此类推，得到2020—2030年ARIMA误差预测值。将上述方法得到的误差预测值设为基准情景（B），依据1999—2018年预测平均相对误差绝对值为1.96%，对低情景（C）和高情景（A）分别设置上下浮动1.96个百分点（表13）。

表13   ARIMA误差预测2020—2030年情景设置（万t）

Table 13  ARIMA error prediction 2020-2030 scenario settings(104 t)

指标高情景（A）基准情景（B）低情景（C）
2020年情景-507.54-517.69-527.83
2025年情景-51.38-52.41-53.44
2030年情景255.83260.94266.06

新窗口打开| 下载CSV


3.4 　预测结果分析

基于上述构建好的组合模型，将各情景预测值带入网络中进行预测，最后对输出结果进行反归一化，得到中国石油需求量未来预测值。从需求角度来看，石油进口量是石油需求量的重要组成部分，其影响因素与石油需求量类似。石油进口量预测模型构建过程和石油需求量基本一致，中国石油需求量和进口量的情景预测值如表14所列。

表14   2020—2030年中国石油需求情景

Table 14  China's oil demand scenario for 2020-2030

指标高情景（A）基准情景（B）低情景（C）
进口量/万t需求量/万t进口量占需求量的比重/%进口量/万t需求量/万t进口量占需求量的比重/%进口量/万t需求量/万t进口量占需求量的比重/%
2020年情景54 283.5869 924.9577.6352 850.8067 405.6378.4151 074.6965 400.5178.10
2025年情景56 066.8977 387.5772.4556 043.6274 586.5375.1455 822.6067 707.6682.45
2030年情景56 081.5078 442.2471.4956 081.3678 132.3671.7856 080.7671 670.0578.25

新窗口打开| 下载CSV


由表14可知，2020—2030年中国石油资源需求量和进口量整体呈上升趋势，增长幅度由快到慢逐渐减缓。从石油需求量看：2020年石油需求量预测最低值为65 400.51万t，最高值为69 924.95万t，平均预测值为67 577.03万t；2025年预测最低值为67 707.66万t，最高值为77 387.57万t，平均预测值为73 227.25万t；2030年预测的最低值为71 670.05万t，最高值为78 442.24万t，平均预测值为76 081.55万t。从外贸依存度来看，2020—2030年预测3种情景平均对外依存度为76.19%。

2020—2030年我国石油对外依存度均值大于当前的对外依存度，说明未来中国石油供需矛盾更加尖锐，石油安全存在较大风险。中国经济发展速度、国际石油价格波动、单位GDP能耗变化、产业结构调整、城镇化进程和石油生产情况对中国石油需求产生一定的影响。在一定程度上，运用情景分析法对中国石油需求进行预测，具有较好的参考价值和实际意义。

3.5 　本文预测结果与其他机构的比较分析

以基础情景B为例，本文预测结果与国际能源署（International Energy Agency，IEA）和美国能源信息管理局（U.S. Energy Information Administration，EIA）的预测结果相近（表15），因此，本文预测结果具有较好的科学性与可信度。

表15   预测结果与IEA、EIA预测结果比较分析

Table 15  Forecasting results compared with the IEA and the EIA

指标本文预测结果/万tIEA预测结果/万t与IEA相对误差/%EIA预测结果/万t与EIA相对误差/%
2020年情景67 405.6365 850.52.3673 704-8.55
2025年情景74 586.5373 022.02.1478 684-3.99
2030年情景78 132.3677 006.01.4681 672-1.94

新窗口打开| 下载CSV


4 结论与政策建议

本文在选取影响中国石油需求量的6个驱动变量基础上，基于灰色关联分析法对影响变量合理性进行判断，验证了选取的驱动变量与中国石油需求具有较高的关联性；依据ARIMA模型和BP神经网络的预测优势，对比两个单一模型和组合模型对中国石油需求量预测的相对误差，选择预测精度较高的ARIMA-BP组合模型进行建模；再结合情景分析法对中国未来石油资源需求量和进口量进行预测，预测结果与国际能源署和美国能源信息管理局的预测结果相近，具有较好的科学性与可信度。主要研究结论如下：

（1）城镇化率、石油生产量和中国GDP对我国石油需求量影响较大，国际石油价格、产业结构和单位GDP能耗对石油需求量的影响次之。

（2）2020—2030年中国石油需求量和进口量不断增加，但增长幅度逐渐减缓。2020年、2025年和2030年预测的中国石油需求量3种情景均值分别为67 577.03万t、73 227.25万t和76 081.55万t，增长幅度由8.36%降至3.9%。2020—2030年预测3种情景平均对外依存度为76.19%，远超过50%的国际警戒线且大于当前的对外依存度，未来10年我国石油供需矛盾将更加尖锐。

（3）综合3种情景来看，城镇化率和经济增长水平较高时，中国石油需求量较大；石油生产量和国际石油价格水平较高时，中国石油进口量、需求量增长明显减缓；第二产业占比和单位GDP能耗水平较低时，中国石油需求量明显降低。

基于上述结论，本文提出如下建议：

（1）针对国内石油产业的建议。大力加强石油地质勘查工作，大幅增加勘探资金投入，以增加石油探明地质储量，在延长服务年限的同时扩大石油生产规模；加强石油开采技术创新，增加研发人力与资本投入，提高石油采收率；鼓励石油产业升级，延长石油产业链，提高石油使用效率。

（2）针对国际石油价格不稳定的建议。增加石油战略储备和商业储备，以应对国际油价上涨带来的冲击，保障我国石油安全。

（3）针对城镇化进程加快和中国经济增长带来石油需求大幅增长的建议。合理规划城镇化进程和经济增长水平；持续推进供给侧结构性改革，改造高能耗产业，有效实现节能降耗；积极寻找、大力发展石油替代能源产业。

（4）针对海外石油勘探开发的建议。进一步加强海外石油勘探开发力度；与目前主要石油供应国建立良好供应关系的同时，适度拓展较远进口来源国的供应渠道；加强石油进口管道基础设施建设，吸引更多社会资本参与投资。

参考文献

Liang Haifeng,Li Ying.

Countermeasures to risks of Chinese energy security under major changes of world petroleum pattern caused by uprising of the petroleum industry of USA

[J].China Mining Magazine,2019,28(7):7-12.

[本文引用: 1]

梁海峰，李颖.

美国石油崛起推动世界石油格局重大变化下中国能源安全的风险及对策

[J].中国矿业，2019，28(7)：7-12.

[本文引用: 1]

Chai Jian,Liang Ting,Zhou Youhong,et al.

Analysis of oil consumption under different regional industrialization—An empirical study based on Path-STR model

[J].Chinese Journal of Management Science,2017,25(11):47-57.

[本文引用: 1]

柴建，梁婷，周友洪，等.

不同区制工业化水平下的石油消费分析——基于Path-STR模型的实证研究

[J].中国管理科学，2017，25(11)：47-57.

[本文引用: 1]

Shi Jun,Liu Xiantao.

Empirical test on the relationship between industrial structure, oil demand and economic growth

[J].Statistics & Decision,2017, (1):135-138.

[本文引用: 1]

石俊，刘先涛.

产业结构、石油需求及经济增长间关联的实证检验

[J].统计与决策，2017，(1)：135-138.

[本文引用: 1]

Lin Feng,Yu Wentao.

Analysis of the trend of international oil price and China’s oil demand

[J].Macroeconomic Management,2008, (4):31-32.

[本文引用: 1]

林峰，于文涛.

国际油价变动趋势与我国石油需求的探析

[J].宏观经济管理，2008，(4)：31-32.

[本文引用: 1]

Liu Guwang,Yan Qiang,Yang Jianbo.

World oil demand based on S-Curve model of the transport sector

[J].Resources Science,2018,40(3):547-557.

[本文引用: 1]

刘固望，闫强，羊建波.

基于交通部门“S”形模型的全球石油需求展望

[J].资源科学，2018，40(3)：547-557.

[本文引用: 1]

Jiao Jianling,Han Xiaofei,Li Lanlan,et al.

Prediction of China oil demand with the constraints of CO2 abatement

[J].Journal of Beijing Institute of Technology(Social Science Edition),2015,17(1):48-52.

[本文引用: 1]

焦建玲，韩晓飞，李兰兰，等.

减排约束下的中国石油需求预测

[J].北京理工大学学报：社会科学版，2015，17(1)：48-52.

[本文引用: 1]

Lü Kui.

Empirical test of oil demand forecast based on vector error correction model

[J].Statistics & Decision,2009, (10):66-68.

[本文引用: 1]

吕魁.

基于向量误差修正模型的石油需求预测实证检验

[J].统计与决策，2009，(10)：66-68.

[本文引用: 1]

Li Zhenyu,Lu Hong,Ren Wenpo,et al.

China’s oil consumption and its future development trend analysis

[J].Chemical Industry and Engineering Progress,2016,35(6):1 739-1 747.

[本文引用: 4]

李振宇，卢红，任文坡，等.

我国未来石油消费发展趋势分析

[J].化工进展，2016，35(6)：1 739-1 747.

[本文引用: 4]

Xuan Weiqi,Liu Xue,Jing Yuejun,et al.

Analysis of future trend prediction of China’s petroleum consumption

[J].Operations Research and Management Science,2009,18(3):1-7.

[本文引用: 2]

禤伟旗，刘学，景跃军，等.

中国石油消费发展趋势的预测分析

[J].运筹与管理，2009，18(3)：1-7.

[本文引用: 2]

Chen Haitao.

Model and forecast of China’s petroleum demand system based on system dynamics

[J].Statistics & Decision,2010, (20):98-101.

[本文引用: 2]

陈海涛.

基于系统动力学的中国石油需求系统模型及预测

[J].统计与决策，2010，(20)：98-101.

[本文引用: 2]

Chen Haitao.

GM(1,1) model predicts China’s oil demand

[J].Ecological Economy,2014,30(2):127-131.

[本文引用: 1]

陈海涛.

GM（1,1）模型预测我国石油需求量

[J].生态经济，2014，30(2)：127-131.

[本文引用: 1]

Wu Ya.

Impact of energy technology progress on oil dem and energy savings and emission reduction potential—Based on the multiple factors

[J].Science and Technology Management Research,2016,36(5):199-203.

[本文引用: 2]

伍亚.

能源技术进步对石油需求及节油减排潜力的影响——基于多因素视角的研究

[J].科技管理研究，2016，36(5)：199-203.

[本文引用: 2]

Li Hongxun,Li Yuanqing,Wang Haijun.

Research on China’s oil demand based on BP neural network model

[J].Journal of China University of Petroleum (Edition of Social Sciences),2015,31(3):8-11.

[本文引用: 1]

李宏勋，李元庆，王海军.

基于BP神经网络模型的中国石油需求预测研究

[J].中国石油大学学报：社会科学版，2015，31(3)：8-11.

[本文引用: 1]

Shen Lei,Liu Litao,Wang Limao,et al.

2050 energy consumption projection for China

[J].Journal of Natural Resources,2015,30(3):361-373.

[本文引用: 1]

沈镭，刘立涛，王礼茂，等.

2050年中国能源消费的情景预测

[J].自然资源学报，2015，30(3)：361-373.

[本文引用: 1]

Sun Mei,Deng Xing,Dong Tongming.

Application of neural network and Kalman algorithm in oil demand prediction

[J].Journal of Beijing Institute of Technology(Social Science Edition),2013,15(6):10-15.

[本文引用: 1]

孙梅，邓星，董同明.

神经网络和卡尔曼算法在石油需求预测中的应用

[J].北京理工大学学报：社会科学版，2013，15(6)：10-15.

[本文引用: 1]

Tang Lifang,Tang Wei.

Prediction of petroleum demand based on CPSO-SVM

[J].Computer Simulation,2012,29(6):206-209.

[本文引用: 1]

唐丽芳，唐伟.

基于CPSO-SVM的石油需求预测

[J].计算机仿真，2012，29(6)：206-209.

[本文引用: 1]

Zhao Chengbo,Mao Chunmei.

Forecast of intensity of carbon emission to China based on BP neural network and ARIMA combined model

[J].Resources and Environment in the Yangtze River Basin,2012,21(6):665-671.

[本文引用: 2]

赵成柏，毛春梅.

基于ARIMA和BP神经网络组合模型的我国碳排放强度预测

[J].长江流域资源与环境，2012，21(6)：665-671.

[本文引用: 2]

Zheng Xinwang,Peng Hao.

An improved gray multivariable model for predicting industrial energy consumption in China

[J].Math Model,2016,40(11/12):5 745-5 758.

[本文引用: 1]

Li Shuyu,Li Rongrong.

Comparison of forecasting energy consumption in Shandong, China using the ARIMA model, GM model, and ARIMA-GM model

[J].Sustainability,2017,9(7):1-19.

[本文引用: 1]

Wu Xiaofeng,Yang Yingmei,Chen Yaotong.

ARIMA combined forecasting model based on BP neural network error correction

[J].Statistics & Decision,2019, (15):65-68.

[本文引用: 1]

吴晓峰，杨颖梅，陈垚彤.

基于BP神经网络误差校正的ARIMA组合预测模型

[J].统计与决策，2019，(15)：65-68.

[本文引用: 1]

Zheng Minggui,Yuan Xuemei.

Demand forecasting of China’s chrome ore from 2020 to 2030 based on grey neural network

[J].Resources Development & Market,2018,34(6):747-752.

[本文引用: 3]

郑明贵，袁雪梅.

基于灰色神经网络的中国2020—2030年铬矿需求预测

[J].资源开发与市场，2018，34(6)：747-752.

[本文引用: 3]

Xie Xiaojun,Qiu Yunlan,Shi Ling.

Prediction of energy consumption based on ARIMA and BP neural network combined model

[J].Mathematics in Practice and Theory,2019,49(10):292-298.

[本文引用: 2]

谢小军，邱云兰，时凌.

基于ARIMA和BP神经网络组合模型的能源消费预测

[J].数学的实践与认识，2019，49(10)：292-298.

[本文引用: 2]

Liu Chunhong,Yang Liang,Deng He,et al.

Prediction of ammonia concentration in piggery based on ARIMA and BP neural network

[J].China Environmental Science,2019,39(6):2 320-2 327.

[本文引用: 2]

刘春红，杨亮，邓河，等.

基于ARIMA和BP神经网络的猪舍氨气浓度预测

[J].中国环境科学，2019，39(6)：2 320-2 327.

[本文引用: 2]

Chen Kegui,Li Jin,Huang Changbing,et al.

Application research of BP neural network in Potassium-Rich brine

[J].Advances in Earth Science,2018,33(6):614-622.

[本文引用: 1]

陈科贵，李进，黄长兵，等.

BP神经网络在富钾卤水中的应用研究

[J].地球科学进展，2018，33(6)：614-622.

[本文引用: 1]

Bank World,Development and Research Center of the State Council.

China in 2030

[M].Beijing:China Financial and Economic Publishing House,2013.

[本文引用: 1]

世界银行，国务院发展研究中心.

2030年的中国

[M].北京：中国财经经济出版社，2013.

[本文引用: 1]

National Development and Reform Commission Macroeconomic Research Institute.

During the 13th Five-Year Plan Period

,China’s Economic Growth Rate will Remain around7% [N].China Economic Times,2015-01-08(5)

[本文引用: 1]

[国家发改委宏观经济研究院.

“十三五”时期我国经济增速将保持7%左右

[N].中国经济时报，2015-01-08(5).]

[本文引用: 1]

IEA.

World Energy Outlook 2017

[M].Paris：International Energy Agency,2017:93-94.

[本文引用: 1]

Hu An'gang,Zhou Shaojie.

The “New Normal” can be extended at least to 2030—How to cultivate new growth points in China’s economy

[J].People’s Tribune,2015, (18):24-27.

[本文引用: 1]

胡鞍钢，周绍杰.

“新常态”至少可延伸至2030年——如何培养中国经济新增长点

[J].人民论坛，2015，(18)：24-27.

[本文引用: 1]

Wu Qinglong,Wang Jianming,Guo Peibin.

Peaks regional carbon emission based on open STIRPAT modeling an energy-producing region of Shanxi

[J].Resources Science,2018,40(5):1 051-1 062.

[本文引用: 2]

吴青龙，王建明，郭丕斌.

开放STIRPAT模型的区域碳排放峰值研究——以能源生产区域山西省为例

[J].资源科学，2018，40(5)：1 051-1 062.

[本文引用: 2]

China Petroleum Institute of Petroleum Economics and Technology (China Petroleum Institute of Stone and Stone).2050

World and China Energy Outlook

[EB/OL]. (2016-07-12)[2018-09-18]..

[本文引用: 1]

中石油石油经济技术研究院(中石油石经院).2050年

世界与中国能源展望

[EB/OL].（2016-07-12）[2018-09-18]..

[本文引用: 1]

Zhang Yuqing,Yi Zhongyi,Zhou Yingheng.

Forecasting of grain output using a method nonlinear BP neural network based on linear ARIMA modified

[J].Mathematics in Practice and Theory,2013,43(22):135-142.

[本文引用: 1]

张宇青，易中懿，周应恒.

一种线性ARIMA基础上的非线性BP神经网络修正组合方法在粮食产量预测中的运用

[J].数学的实践与认识，2013，43(22)：135-142.

[本文引用: 1]

Chen Wei.

Forecast of import and export trade based on combined model of linear ARIMA and nonlinear BP neural network

[J].Statistics & Decision,2015, (22):47-49.

[本文引用: 1]

陈蔚.

基于线性ARIMA与非线性BP神经网络组合模型的进出口贸易预测

[J].统计与决策，2015，(22)：47-49.

[本文引用: 1]

/

〈 〉

版权所有 © 《地球科学进展》编辑部
地址：甘肃省兰州市天水中路8号
QQ：114723517
电话：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687