中国2020—2030年石油资源需求情景预测
1.
2.
Scenario Prediction of China’s Oil Resource Demand in 2020-2030
1.
2.
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: |
|
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
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:
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:
本文引用格式
郑明贵, 李期.
Zheng Minggui, Li Qi.
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。
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:
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:
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
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 | 90 564.4 | 135.09 | 1.55 | 45.4 | 34.78 | 16 020 | 6 483.3 | 20 960 |
2000年 | 100 280.1 | 213.32 | 1.62 | 45.5 | 36.22 | 16 260 | 9 748.5 | 22 360 |
2001年 | 110 863.1 | 182.31 | 1.55 | 44.8 | 37.66 | 16 480 | 9 118.2 | 22 790 |
2002年 | 121 717.4 | 186.27 | 1.53 | 44.5 | 39.09 | 16 690 | 10 269.3 | 24 740 |
2003年 | 137 422.0 | 216.40 | 1.61 | 45.6 | 40.53 | 16 960 | 13 189.6 | 27 170 |
2004年 | 161 840.2 | 288.10 | 1.66 | 45.9 | 41.76 | 17 410 | 17 291.3 | 31 890 |
2005年 | 187 318.9 | 407.62 | 1.60 | 47.0 | 42.99 | 18 080 | 17 163.2 | 32 780 |
2006年 | 219 438.5 | 484.48 | 1.49 | 47.6 | 44.34 | 18 370 | 19 453.0 | 34 770 |
2007年 | 270 092.3 | 535.36 | 1.37 | 46.9 | 45.89 | 18 670 | 21 139.4 | 36 440 |
2008年 | 319 244.6 | 730.08 | 1.16 | 47.0 | 46.99 | 19 040 | 23 015.5 | 38 470 |
2009年 | 348 517.7 | 456.84 | 1.02 | 46.0 | 48.34 | 18 950 | 25 642.4 | 40 060 |
2010年 | 412 119.3 | 586.51 | 0.97 | 46.5 | 49.95 | 20 300 | 29 437.2 | 45 550 |
2011年 | 487 940.2 | 781.89 | 0.89 | 46.5 | 51.27 | 20 290 | 31 593.6 | 47 240 |
2012年 | 538 580.0 | 782.04 | 0.79 | 45.4 | 52.57 | 20 750 | 33 088.8 | 49 530 |
2013年 | 592 963.2 | 778.59 | 0.75 | 44.2 | 53.73 | 21 000 | 34 264.8 | 51 730 |
2014年 | 641 280.6 | 717.45 | 0.70 | 43.3 | 54.77 | 21 140 | 36 179.6 | 53 930 |
2015年 | 685 992.9 | 380.03 | 0.66 | 41.1 | 56.10 | 21 460 | 39 748.6 | 57 330 |
2016年 | 740 060.8 | 321.63 | 0.63 | 40.1 | 57.35 | 19 970 | 38 101.0 | 58 700 |
2017年 | 820 754.3 | 389.27 | 0.60 | 40.5 | 58.52 | 19 150 | 48 053.0 | 61 070 |
2018年 | 900 309.5 | 510.70 | 0.56 | 40.7 | 59.58 | 18 910 | 46 200.0 | 64 120 |
表2 中国石油需求驱动变量分析结果
Table 2
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 | 0.70 | 0.69 | 0.54 | 0.68 | 0.82 | 0.77 |
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
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 |
图1
图2
图3
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
3.1.2 建立ARIMA-BP模型
图5
图6
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
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
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 | 7.0 | 1 030 764.35 | 6.3 | 1 017 321.83 | 5.6 | 1 003 967.53 |
2025年情景 | 6.7 | 1 425 546.82 | 6.0 | 1 361 406.09 | 5.3 | 1 299 755.08 |
2030年情景 | 6.4 | 1 943 970.30 | 5.7 | 1 796 232.81 | 5.0 | 1 658 853.45 |
表5 1999—2018年国际石油价格增长率
Table 5
时间 | 1999—2002年 | 2003—2006年 | 2007—2010年 | 2011—2014年 | 2015—2018年 |
---|---|---|---|---|---|
年均增长率/% | 8.36 | 22.32 | 2.31 | -2.13 | 7.67 |
表6 国际石油价格2020—2030年情景设置
Table 6
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 | 5.5 | 568.43 | 3.5 | 547.08 | 1.5 | 526.14 |
2025年情景 | 6.0 | 760.68 | 4.0 | 665.60 | 2.0 | 580.90 |
2030年情景 | 6.5 | 1 042.20 | 4.5 | 829.46 | 2.5 | 657.24 |
(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:
式中:Y和X分别表示为中国能源消费总量和GDP,
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
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 | 1 030 764.35 | 552 707.02 | 1 017 321.83 | 548 958.09 | 1 003 967.53 | 545 210.07 |
2025年情景 | 1 425 546.82 | 653 892.64 | 1 361 406.09 | 638 469.78 | 1 299 755.08 | 623 312.18 |
2030年情景 | 1 943 970.30 | 767 976.69 | 1 796 232.81 | 737 141.15 | 1 658 853.45 | 707 351.48 |
表8 中国单位GDP能耗2020—2030年情景设置(吨标准煤/万元)
Table 8
指标 | 高情景(A) | 基准情景(B) | 低情景(C) |
---|---|---|---|
2020年情景 | 0.537 | 0.540 | 0.542 |
2025年情景 | 0.461 | 0.469 | 0.477 |
2030年情景 | 0.398 | 0.411 | 0.422 |
表9 中国产业结构2020—2030年情景设置
Table 9
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 | -1.86 | 39.20 | -1.00 | 39.89 | -0.37 | 40.40 |
2025年情景 | -2.40 | 34.72 | -1.45 | 37.08 | -0.76 | 38.89 |
2030年情景 | -2.88 | 30.00 | -1.87 | 33.74 | -1.34 | 36.35 |
表10 中国城镇化率2020—2030年情景设置
Table 10
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 | 1.50 | 61.38 | 1.00 | 60.78 | 0.50 | 60.18 |
2025年情景 | 1.80 | 67.11 | 1.30 | 64.83 | 0.68 | 62.25 |
2030年情景 | 2.20 | 74.82 | 1.50 | 69.84 | 0.90 | 65.10 |
表11 1999—2018年中国石油生产量平均增长率
Table 11
时间 | 1999—2002年 | 2003—2006年 | 2007—2010年 | 2011—2014年 | 2015—2018年 |
---|---|---|---|---|---|
平均增长率/% | 1.05 | 2.08 | 2.08 | 2.18 | -2.97 |
表12 中国2020—2030年石油生产量情景设置
Table 12
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 | 0.50 | 19 099.57 | 0.30 | 19 023.63 | 0.10 | 18 947.84 |
2025年情景 | 0.75 | 19 826.63 | 0.55 | 19 552.57 | 0.35 | 19 281.76 |
2030年情景 | 1.00 | 20 837.99 | 0.80 | 20 347.28 | 0.60 | 19 867.19 |
3.3 ARIMA误差预测
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
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 | 255.83 | 260.94 | 266.06 |
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
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 | 54 283.58 | 69 924.95 | 77.63 | 52 850.80 | 67 405.63 | 78.41 | 51 074.69 | 65 400.51 | 78.10 |
2025年情景 | 56 066.89 | 77 387.57 | 72.45 | 56 043.62 | 74 586.53 | 75.14 | 55 822.60 | 67 707.66 | 82.45 |
2030年情景 | 56 081.50 | 78 442.24 | 71.49 | 56 081.36 | 78 132.36 | 71.78 | 56 080.76 | 71 670.05 | 78.25 |
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
指标 | 本文预测结果/万t | IEA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 | 67 405.63 | 65 850.5 | 2.36 | 73 704 | -8.55 |
2025年情景 | 74 586.53 | 73 022.0 | 2.14 | 78 684 | -3.99 |
2030年情景 | 78 132.36 | 77 006.0 | 1.46 | 81 672 | -1.94 |
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
Countermeasures to risks of Chinese energy security under major changes of world petroleum pattern caused by uprising of the petroleum industry of USA
[J].
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].,
Analysis of oil consumption under different regional industrialization—An empirical study based on Path-STR model
[J].
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].,
Empirical test on the relationship between industrial structure, oil demand and economic growth
[J].
产业结构、石油需求及经济增长间关联的实证检验
[J].,
Analysis of the trend of international oil price and China’s oil demand
[J].
国际油价变动趋势与我国石油需求的探析
[J].,
World oil demand based on S-Curve model of the transport sector
[J].
基于交通部门“S”形模型的全球石油需求展望
[J].,
Prediction of China oil demand with the constraints of CO2 abatement
[J].
减排约束下的中国石油需求预测
[J].,
Empirical test of oil demand forecast based on vector error correction model
[J].
基于向量误差修正模型的石油需求预测实证检验
[J].,
China’s oil consumption and its future development trend analysis
[J].
我国未来石油消费发展趋势分析
[J].,
Analysis of future trend prediction of China’s petroleum consumption
[J].
中国石油消费发展趋势的预测分析
[J].,
Model and forecast of China’s petroleum demand system based on system dynamics
[J].
基于系统动力学的中国石油需求系统模型及预测
[J].,
GM(1,1) model predicts China’s oil demand
[J].
GM(1,1)模型预测我国石油需求量
[J].,
Impact of energy technology progress on oil dem and energy savings and emission reduction potential—Based on the multiple factors
[J].
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].,
Research on China’s oil demand based on BP neural network model
[J].
基于BP神经网络模型的中国石油需求预测研究
[J].,
2050 energy consumption projection for China
[J].
2050年中国能源消费的情景预测
[J].,
Application of neural network and Kalman algorithm in oil demand prediction
[J].
神经网络和卡尔曼算法在石油需求预测中的应用
[J].,
Prediction of petroleum demand based on CPSO-SVM
[J].
基于CPSO-SVM的石油需求预测
[J].,
Forecast of intensity of carbon emission to China based on BP neural network and ARIMA combined model
[J].
基于ARIMA和BP神经网络组合模型的我国碳排放强度预测
[J].,
An improved gray multivariable model for predicting industrial energy consumption in China
[J].,
Comparison of forecasting energy consumption in Shandong, China using the ARIMA model, GM model, and ARIMA-GM model
[J].,
ARIMA combined forecasting model based on BP neural network error correction
[J].
基于BP神经网络误差校正的ARIMA组合预测模型
[J].,
Demand forecasting of China’s chrome ore from 2020 to 2030 based on grey neural network
[J].
基于灰色神经网络的中国2020—2030年铬矿需求预测
[J].,
Prediction of energy consumption based on ARIMA and BP neural network combined model
[J].
基于ARIMA和BP神经网络组合模型的能源消费预测
[J].,
Prediction of ammonia concentration in piggery based on ARIMA and BP neural network
[J].
基于ARIMA和BP神经网络的猪舍氨气浓度预测
[J].,
Application research of BP neural network in Potassium-Rich brine
[J].
BP神经网络在富钾卤水中的应用研究
[J].,
China in 2030
[M].
2030年的中国
[M].
During the 13th Five-Year Plan Period
,
“十三五”时期我国经济增速将保持7%左右
[N].,
The “New Normal” can be extended at least to 2030—How to cultivate new growth points in China’s economy
[J].
“新常态”至少可延伸至2030年——如何培养中国经济新增长点
[J].,
Peaks regional carbon emission based on open STIRPAT modeling an energy-producing region of Shanxi
[J].
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].,
World and China Energy Outlook
[EB/OL]. (
世界与中国能源展望
[EB/OL].(
Forecasting of grain output using a method nonlinear BP neural network based on linear ARIMA modified
[J].
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].,
/
〈 | 〉 |