石油价格预测模型分析_石油价格预测模型

1.油气供应量变化趋势预测

2.全球石油价格多维分析

3.用图形说明,20世纪70年代石油价格上升引起了哪一种类型的通货膨胀

一．影响石油价格的供给因素

影响石油价格的供给因素主要包括世界石油储量，石油供给结构以及石油生产成本。

石油产量必须以石油储量为基础。过去的几十年中，世界石油探明的储量一直在持续增加，2005年底世界石油探明可储量约为12007亿桶，20年间增加了4303亿桶，增长了55.8%。虽然产量的增长速度大于已探明储量的增长速度，但2005年底全球石油储量与产量之间的比例为40.6年，可以预见，至少在未来10年不会出现全球范围内的石油供给短缺现象。但是，由于石油的不可再生性，国际能源机构（iea）预测世界石油产量将在2015年以前达到顶峰，全球石油供给逐步进入滑坡阶段。

世界石油市场的供给特点也对石油供给具有重大影响。目前世界石油市场的供给方主要包括石油输出国组织（opec）和非opec国家。opec拥有世界上绝大部份探明石油储量，其产量和价格政策对世界石油供给和价格具有重大影响。而非opec国家主要是作为价格接受者存在，根据价格调整产量。但2002年以来，受强劲的世界石油需求和高油价刺激，opec产量激增，原油剩余产能从2002年的560万桶/日急剧下降到2006年的140万桶/日左右，产能利用率高于90％，通过增加产量平抑油价的能力减弱。迫使市场参与者通过构建商业库存作为应对风险的缓冲，而库存需求反过来又刺激油价上行。

美欧跨国石油公司在世纪之交通过资本运作发起的新一轮兼并联合使得世界石化产业的集中度越来越高。随着石化巨头对全球石油、技术和市场的控制力的进一步增强，世界石化产业的发展和竞争以及石油价格的波动带来了深刻影响。

此外，石油生产成本也将对石油供给产生影响。石油作为一种不可再生能源，其生产成本会影响生产者跨时期的产量配置决策，进而影响到市场供给量，间接地引起石油价格波动。世界石油价格的下限一般主要由高成本地区的石油生产决定，而低成本地区的石油决定了价格的波动幅度。

二．影响石油价格的需求因素

石油需求主要由世界经济发展水平及经济结构变化，替代能源的发展和节能技术的应用决定。

全球石油消费与全球经济增长速度明显正相关。全球经济增长或超预期增长都会牵动国际原油市场价格出现上涨。以中国、印度为代表的发展中国家经济强劲增长也使得对原油的需求急剧增加，导致世界原油价格震荡走高。其中中国对石油的需求带动了全球石油消费增长的1/3。而反过来，异常高的油价势必会阻碍世界经济的发展，全球经济增长速度放缓又会影响石油需求的增加。

替代能源的成本将决定石油价格的上限。当石油价格高于替代能源成本时，消费者将倾向于使用替代能源。而节能将使世界石油市场的供需矛盾趋于缓和。目前各国都在大力发展可再生能源和节能技术，这势必将对石油价格的长期走势产生影响。

三．影响石油价格的短期因素

短期影响因素是通过对供求关系造成冲击或短期内改变人们对供求关系的预期而对石油价格发挥作用的。

1. 突发的重大政治

石油除了一般商品属性外，还具有战略物资的属性，其价格和供应很大程度上受政治势力和政治局势的影响。近年来，随着政治多极化、经济全球化、生产国际化的发展，争夺石油和控制石油市场，已成为油市动荡和油价飙涨的重要原因。

2. 石油库存变化

库存是供给和需求之间的一个缓冲，对稳定油价有积极作用。oecd的库存水平已经成为国际油价的指示器，并且商业库存对石油价格的影响要明显强于常规库存。当期货价格远高于现货价格时，石油公司倾向于增加商业库存，刺激现货价格上涨，期货现货价差减小；当期货价格低于现货价格时，石油公司倾向于减少商业库存，现货价格下降，与期货价格形成合理价差。

3. opec和国际能源署（iea）的市场干预

opec控制着全球剩余石油产能的绝大部分，iea则拥有大量的石油储备，他们能在短时期内改变市场供求格局，从而改变人们对石油价格走势的预期。opec的主要政策是限产保价和降价保产。iea的26个成员国共同控制着大量石油库存以应付紧急情况。

4. 国际资本市场资金的短期流向

20世纪90年代以来，国际石油市场的特征是期货市场的影响显著增强，目前已经形成了由期货市场向现货市场传导的价格形成机制。尽管国际原油市场的投机活动不是油价上涨的诱发因素，但由于全球金融市场投资机会缺乏，大量资金进入国际商品市场，尤其是原油市场，不可避免地推高了国际油价，并使其严重偏离基本面。

5. 汇率变动

相关研究表明，石油价格变动和美元与国际主要货币之间的汇率变动存在弱相关关系。由于美元持续贬值，以美元标价的石油产品的实际收入下降，导致石油输出国组织以维持原油高价作为应对措施。

6. 异常气候

欧美许多国家用石油作为取暖的燃料，因此，当气候变化异常时，会引起燃料油需求的短期变动，从而带动原油和其他油品的价格变化。另外，异常的天气可能会对石油生产设施造成破坏，导致供给中断，从而影响油价。

7. 利率变动

在标准不可再生模型中，利率的上升会导致未来开价值相对现在开价值减少，因此会使得开路径凸向现在而远离未来。高利率会减少资本投资，导致较小的初始开规模；高利率也会提高替代技术的资本成本，导致开速度下降。

8. 税收政策

干预会使得市场消耗曲线凸向现在或未来。跨时期石油开模式的税收效应依赖于税收随时间变化的现值。例如，税收现值随时间减少会改变开顺序的决策。和不征税相比，税收最终还是会减少任意时点上的净收益，也就减少了相应时期开的积极性。而且税收会降低新发现储量的投资回报。

油气供应量变化趋势预测

1.石油需求量未来变化趋势预测

根据BP公司2013年的能源统计报告，从中可以得到从1980年至2010年间中国石油消费量值见表4-16。

表4-16 中国石油历年消费量统计　单位：106t

数据来源：BP Statistical Review of World Energy June 2013 和中国国土综合统计。

将表4-16数据做散点图，见图4-9。可见，1980年至2012年间的消费量的变化趋势基本呈现指数变化规律性，所以可以使用回归预测模型。

图4-9 中国历年石油消费量散点图

利用SPSS 19.0软件，将表4-20中的数据进行处理，得到不同回归模型的可决系数（R2）和拟合度结果状态值，包括线性、二次、三次和复合函数的回归模型。而二次回归的可决系数R2=0.996；单因素方差分析时F=3566.08很大，F＞F0.05（r－1，n－r）或p＜0.05，表现出因素具有显著影响力特征。因此，中国石油消费量1980年至2012年间的回归预测模型见公式（4—8）。

y=0.43x2－2.261x+87.281。（4—8）

而且， ＝3.3158。

所以可以使用预测模型公式（4—8）进行中国石油消费量的回归预测。预测结果见表4-17。

使用灰色预测方法，中国石油的生产量符合“灰因白果律”的灰色预测。本次预测的X(0)（1）即为1980年的消费量值，即 (1)＝85.4；t为1取到33的整数。可得GM（1，1）预测模型公式（4—9）。

中国油气战略储备研究

检验计算，平均相对残差值为0.0056，小于0.05。

后验差检验计算结果显示C＝0.086＜0.35。

小误差概率检验计算P消费量＝0.9944＞0.95。

说明中国石油消费量的G M（1，1）模型公式（4—9）精度为一级。用此模型进行预测计算结果见表4-17。

表4-17 中国石油消费量预测值　单位：106t

由表4-17可见，中国的石油消费量到2015年将达到（563.1～584.4）×106t，2020年增至（717.4～800.4）×106t。

2.天然气消费量未来变化趋势预测

根据BP公司2013年的世界能源报告公布的数据（表4-18）做散点图（图4-10）可以看出，中国天然气需求变化趋势规律性较强，使用回归手段进行预测即可。

表4-18 中国天然气历年消费量统计　单位：109m3

数据来源：BP Statistical Review of World Energy June 2013。

利用SPSS 19.0 软件，将表4-18 中的数据进行处理，得到不同的回归模型可决系数（R2）和拟合度结果状态值，包括二次、三次、复合函数和指数函数的回归模型。而三次回归的可决系数R2=0.993最大；单因素方差分析时F＞F0.05（r－1，n－r）或p＜0.05，表现出因素具有显著影响力特征。因此，中国天然气消费量1980年至2012年间的回归预测模型见公式（4-10）。

图4-10 中国历年天然气消费量散点图

y=0.013x3－0.436x2＋4.292x＋3.665。（4-10）

而且， ＝2.29223。

所以可以使用预测模型公式（4-10）进行中国天然气消费量的回归预测。预测结果见表4-19。

表4-19 中国天然气消费量预测值统计　单位：109m3

表4-19中数据显示，中国的天然气消费量将呈现快速上升趋势。2015年达到约200×109m3，到2020年升至约340×109m3。

由表4-11和表4-19数据共同的显示，按照目前中国的天然气需求量和生产量的增长速度推算，中国的天然气市场又是一个继石油市场之后的供小于求的市场，到2015年供求将产生约22×109m3差额空间，到2020年这个缺额达到76×109m3。

综上所述，在未来的10年中，中国的石油和天然气需求量将稳步提升，而同时生产量的提升速度小于需求量的提升速度。未来中国的能源市场中的天然气的进口依存度将大幅提升。

全球石油价格多维分析

（一）预测模型选择及可行性分析

用于预测研究的模型有很多，如指数平滑模型、回归分析模型、灰色预测模型等。使用不同的预测模型需要满足不同的条件，因此，对中国石油或天然气的储量、生产量、消费量和进口量值进行预测，首先要根据数据变化的基本规律选择相关预测模型。

1.石油供应量预测模型选择

根据BP公司2013年的能源统计报告，可以得到从1980年至2012年间中国石油储量和生产量（表4-5）。

表4-5 中国石油历年储产量统计　单位：106t

续表

数据来源：BP Statistical Review of World Energy June 2013 和中国国土综合统计。

注：储量数据换算系数吨桶7.3（中石油）。

将表4-5数据做散点图（图4-4）后可见，1980年至2010年间，中国石油储量值的变化规律略显特殊，需要分段研究。石油生产量数据规律性较强，可以用回归分析法。将表4-4数据做散点图（图4-5）可见，进口量的数据变化规律性较强，也可用回归分析法。如果预测用回归分析，其模型的选择需根据计算出的可决系数（R2）来决定。

2.天然气供应量预测模型选择

根据BP公司2013年的能源统计报告，可以得到从1980年至2012年间中国天然气储量和生产量（表4-6）。

表4-6 中国天然气历年储产量统计　单位：108m3

数据来源：BP Statistical Review of World Energy June 2013。

将表4-6数据做散点图（图4-6）。散点图趋势显示，中国天然气储量和生产量的数据变化规律性较强，可用回归分析法。

图4-4 中国历年石油储产量数据散点图

图4-5 中国历年石油进口量数据散点图

图4-6 中国历年天然气储产量数据散点图

（二）储量预测

1.石油储量预测

对表4-5中的储量数据进行初步观察，发现数据分布呈现的规律分为两时段（图4-5显示）。并且因勘查条件的影响，石油储藏量与当年是否发现新的更大的油田有很大的关系，因此数据呈现不太规则的周期性变化。为了提高预测的准确度和可信度，对中国石油储量的预测分为两段进行：第一时段，1980年至1998年间，散布图具有周期波动状变化特征，但起伏较大；用1998年以前的数据，预测1999年至2020年的储备量，时间跨度为22年。第二时段，1999年至2012年间，散布图基本呈现单调上升趋势；用1999年至2012年的数据，预测2013年至2020年间8年的储量值。这样可讨论在两种经济、技术环境背景下的中国石油储量可能的变化规律。

另外，为了使预测更加准确并可信，使用GM（1，1）、GM（2，1）模型预测实验，其结果无法通过检验。所以最终使用回归方法预测。

石油储量第一时段预测利用SPSS 19.0 软件，将表4-5 中的数据进行处理，得到不同回归模型的可决系数（R2）和拟合度结果状态值，包括线性、二次、三次和幂函数的回归模型。而三次回归的可决系数R2=0.780，其他模型的可决系数值远远小于该值。单因素方差分析时，F＞F0.05（r－1，n－r）或p＜0.05，表现出因素具有显著影响力特征。因此，中国石油储量1980年至1998年间的回归预测模型见公式（4—1）。

y=0.746x3－25.049x2+257.055x+1451.431（4—1）

而且， =3.29。

所以可以使用预测模型公式（4—1）进行中国石油储量的回归预测。预测结果见表4-7。

表4-7 中国石油储量1999-2020预测值　单位：106t

石油储量第二时段预测，依上步骤，出局处理后结果显示，三次回归的可决系数R2=0.915，其他模型的可决系数值都远小于该值。单因素方差分析时，F＞F0.05（r－1，n－r）或p＜0.05，也表现出因素具有显著影响力特征。因此，中国石油储量1999年至2012年间的回归预测模型见公式（4—2）。

y=0.452x3－7.414x2+42.734x+2033.524（4—2）

而且， ＝3.71。

所以可以使用预测模型公式（4—2）进行中国石油储量的回归预测。预测结果见表4-8。

表4-8 中国石油储量2013-2020预测值　单位：106t

比较2011-2020年间数据，显示两个模型预测的结果差别很大，这与预测的时间跨度有很大关系。一般情况下，回归预测方法预测3年内的变化趋势较为准确，8年内的具有一定的参考价值。所以，本次研究将使用第二时段的预测数据。

另外，两个时段的预测模型也可能代表两种不同的技术条件下的环境情况。第一种模型说明，如果石油勘查技术有所突破而使石油勘查成果显著，那么中国石油储量的变化走势趋近于该模型。第二种情况显示，如果中国石油勘查技术没有什么大的改变，与目前情况大致相当，则随着开量的迅速上升储量的增加值变化不大。

2.天然气储量预测

将表4-6中的数据进行处理，得到不同回归模型的可决系数（R2）和拟合度结果状态值，包括二次、三次、复合函数和指数函数的回归模型。而三次回归的可决系数R2=0.890，其他模型的可决系数值小于该值。单因素方差分析时，F＞F0.05（r－1，n－r）或p＜0.05，表现出因素具有显著影响力特征。因此，中国天然气储量1980年至2012年间的回归预测模型见公式（4—3）。

y=0.0003x3－0.011x2+0.161x+0.394 （4—3）

而且， ＝2.9223。

所以可以使用预测模型公式（4—3）进行中国天然气储量的回归预测。预测结果见表4-9。

表4-9 中国天然气储量预测值统计　单位：1012m3

从预测结果可见，中国天然气储量到2015年可达近6×1012m3，2020年升至近10×1012m3。

（三）产量预测

1.石油生产量预测

将表4-5 中的年份作为自变量，产量作为因变量。利用SPSS 19.0 版本软件，处理储量数据，得到不同的回归模型的可决系数（R2）和拟合度结果状态值，包括线性、二次、三次、幂和复合等函数的回归模型。单因素方差分析，F＞F0.05（r－1，n－r）或p＜0.05，表现出因素具有显著的影响力。但综合拟合分析结果显示，线性回归模型拟合度最高。因此，中国石油生产量的线性回归预测模型见公式（4—4）。

y=3.068x+101.714 （4—4）

而且，F储量（1980—2012）= ＝1282.343＞F0.05（1，31）储量（1980—2012）＝4.1709。

所以可以使用预测模型公式（4—4）进行中国石油生产量的回归预测。预测结果见表4-10。

使用灰色预测方法，中国石油的生产量符合“灰因白果律”的灰色预测。本次预测的X(0)即为1980年的产量值，即 (1)＝106.0；t从1取到33的整数。可得GM（1，1）预测模型公式（4—5）。

中国油气战略储备研究

检验计算，平均相对残差值为0.0048，小于0.05。

后验差检验计算结果显示C生产量＝0.0365＜0.35。

小误差概率检验计算 ＝0.9952＞0.95。

则说明中国石油生产量的G M（1，1）模型公式（4—4）精度为一级。用此模型进行预测计算结果见表4-10。

表4-10 中国石油生产量预测值统计　单位：1010t

使用线性回归预测模型和G M（1，1）模型计算出中国石油生产量2013年以后8年间的变化趋势情况（表4-10）显示，历年的变化趋势水平线性回归预测小于灰色预测的增量值，但都是呈现稳步上升趋势。所以按照目前的开技术等条件，到2015年中国石油生产量将达到（212.16～220.45）×106t，2020年会升至（227.50～243.51）×106t。

2.天然气生产量预测

依据以上的方法，将表4-6的数据处理后得到不同的回归模型的可决系数（R2）和拟合度结果状态值，包括二次、三次、复合函数和指数函数等的回归模型。其中三次回归预测的R2=0.992为最大。

单因素方差分析时，F＞F0.05（r－1，n－r）或p＜0.05，表现出因素具有显著的影响力。因此，中国天然气生产量的线性回归预测模型见公式（4—6）。

y=0.005x3－0.244x2+3.678x+3.875 （4—6）

而且， ＝2.8387。

所以，可以使用模型公式（4—6）进行预测。预测结果见表4-11。

表4-11 中国天然气生产量预测值统计　单位：109m3

结果显示，2015年中国的天然气生产量将达到约178×109m3，2020年可能会升至约264×109m3。

（四）进口量预测

利用SPSS 19.0软件，将表4-4中的数据进行处理，得到不同回归模型的可决系数（R2）和拟合度结果状态值，包括线性、二次、三次和幂函数的回归模型。单因素方差分析时，F＞F0.05（r－1，n－r）或p＜0.05，也表现出因素具有显著影响力特征。综合拟合分析结果显示，二次回归模型拟合度最高。因此，中国石油进口量的二次回归预测模型见公式（4—7）。

y=0.5482x2+4.1546x－0.8693 （4—7）

而且， ＝3.5219。

所以，可以使用预测模型公式（4—7）进行中国石油进口量预测。预测结果见表4-12。

表4-12 中国石油进口量预测值统计　单位：106t

预测结果显示，在目前的生产量水平和消费需求增长趋势下，中国石油进口量在2015年和2020年分别达到3.5×108t和5.1×108t左右。如果中国的能源消耗结构变化不大，新型能源开发利用速度不太快，那么中国的石油进口依存度将会长期处于一个高的水平。

用图形说明,20世纪70年代石油价格上升引起了哪一种类型的通货膨胀

传统的数据仓库展现，一般是通过建立数据仓库、设定维度、预先计算，然后向客户端展现多维分析的结果。在本系统中，则取了与之不同的另一种数据仓库构建的思路，即在系统的数据仓库展现中尝试利用多维数据表之间的关联性来实现实时的多维分析功能。

在多维数据结构中，事实表和维度表之间是通过直接或间接的关系联系在一起的。对于某张表中某条记录的选取，可以在其他相关联表之间查询到与之相关联的数据记录，并可以对选取的数据和相关联的数据进行统计分析，得到这些数据的分布、趋势等分析结果，并且可以在设定了多维分析的维度之后，按照维度之间的层次关系对数据从各个不同的组合角度进行分析，形成实时的多维分析。

数据仓库展现的开发内容一般可以分为数据仓库的设计和多维分析的实现两部分。数据仓库的设计包括星型模式的搭建、数据抽取方式的确定、数据转换净化的实现，以及多维数据的存储等内容。多维分析的实现则包括多维分析维度的选取、度量值的定义、维度变换方式、钻取路径的定义、钻取数据显示方式的确定等内容。

本系统在开发过程中，由于原型系统带来的需求不确定性和数据齐备性等因素的制约，如何设计出良好的结构来更好地进行多维数据展现以及取何种形式进行展现是一个重点问题。前文已经讨论过系统中数据仓库的架构模式、多维数据结构的定义等内容，讨论了系统原始数据源中存在的复杂性、数据完整性和数据有效性等方面存在的问题及解决办法。多维分析的设计包括维度之间的关联、事实数据展现的内容和形式、数据钻取等内容。

5.3.2.1 维度表关联性分析

数据源表结构中包括一张事实表和数张维度表。针对这些维度表可以设计用于多维分析的维度，分别为油品、交易市场、交易类型、价格单位和价格日期维度。维度数据和中间事实表之间存在直接关联，维度数据之间通过中间事实表而产生简洁的关联关系。从而可以在既有事实数据的基础上，对维度之间的关联关系进行可视化展现。

图5.29中显示了4个维度的内容数据，并列出了各维度中所具有的字段取值，这些字段通过事实表产生关联。在选择了Crude Oil油品之后，其他3个维度中的字段取值背景出现变化。白色背景表示在事实表中存在与Crude Oil相关联的交易市场，分别为Cushing,OK和Europe Brent，这表明事实表中存在有Crude Oil在这两个市场中的价格数据，没有在其他市场上的价格数据。

图5.29 多维分析维度列表

在默认情况下，维度列表显示了全部可能的维度取值。而在选择了某一维度之后，比如选择产品名称中的Crude Oil值，则在其他维度中高亮显示与此维度选中值通过油价数据关联起来的维度值。通过维度之间的关联显示，可以分析出源数据中隐藏的一些分布模式。在本示例中就可以看出系统中具有Crude Oil在Cushing,OK和Europe Brent两个市场的Spot Price FOB价格，而价格时间则从1986年到2008年都存在，油价的单位名称只存在Dollar per Barrel一种形式。多维分析的维度关联性分析，还允许在一次分析基础之上继续缩小选择值的范围。

5.3.2.2 维度表和事实表的关联性分析及展现

在实时多维分析中，除了可以进行维度表之间的关联性分析，也可将维度表和事实表关联起来进行分析。在此类分析中，除了可以在界面左侧展示维度表之间的关联之外，还可以在界面主体部分显示出事实表数据以及以事实表数据为基础的一些统计分析。图5.30中展现的是全球石油价格不同交易类型的对析，反映出对各石油品种在现货交易、期货交易等方式下的价格对比情况，分析的结果可以随左侧维度选择的变化实时变动。

图5.30 交易价格比较分析

对于事实表的展现，除了按照默认的维度顺序进行统计分析，维度之间的顺序也可以直接通过在界面中拖动维度的位置来完成维度的变换，实现多维分析旋转功能，在此不再赘述。

5.3.2.3 事实表数据钻取

多维分析另外一个很重要的内容就是数据钻取。在实时多维分析中，数据钻取的功能可以更为丰富。出于分析的目的，我们预先定义了钻取路径：

市场→价格类型→价格年份→产品名称。

这样就可以按照这样的路径对油价进行钻取分析。第一次默认按照市场名称来统计历史油价，在选择了一个市场之后就向下钻取两层，就可以得到按照价格年份来统计的历史油价。这里的钻取分析可以和维度关联性分析结合起来使用，从而更灵活地实现数据钻取（图5.31，图5.32）。

图5.31 数据钻取分析一

图5.32 数据钻取分析二

5.3.2.4 价格趋势分析

价格趋势分析可以作为价格预测的一种补充，它的功能展现过去时间的不同油品、不同交易类型及价格单位等相关信息，以此来直观表达油品的未来走向与趋势。这一块已经有了单独的模型程序模块来完成（图5.33）。

图5.33 多维价格趋势分析

通过在数据仓库展现中利用实时多维分析中的维度表关联性以及维度表和事实表之间的关联性，可以更好地拓展多维分析的功能。而对多维分析的需求确定可以考虑取原型法来进行，利用数据仓库的实时多维展现来发现数据的内涵和数据之间的关联性，逐步帮助确定需要分析的维度、度量值、展现方式等内容，并反向影响到数据源表结构的设计。

成本推动型的通货膨胀

图中的PS为产品价格决定模型，WS即曲线为工资决定模型，简单的模型中

PS=（1+x）W ? 即产品的价格为工人单位工资的一定百分比，这个X就是加成，X可以表示为在其他条件不变的前提下其他原料的价格变化因素，比如石油价格的增加，就使得PS1变化到PS2，

但是工资的决定没有发生改变WS=P'*F(1-u) ?这里的P'为价格预期，有时候可以简单设为P即产品的价格，u为失业率

把两者合并就可以得到

P=P'(1+x)*F(1-u) ? 在其他条件不变的情况下，x的变化会直接推动价格的上涨，这里的x可以理解为原油的价格涨幅；