石油市场预测

石油市场预测
论文摘要
如果说“石油是工业的血液”是对工业化时代描述的话, 那么,“石油是社会经济
和生活的动力”则适合于当今世界。

事实上, 历史上从来还没有任何一种商品能像石油那样, 对人类生活产生过如此大的影响, 对国际政治经济产生过如此大的冲击。

近年来, 在国际石油价格持续上涨、屡创新高的背景下, 国内油价也持续攀升, 从而对我国社会经济发展和人民生活产生了重大影响。

日益升高的对进口石油的依存度使中国更加深刻地体会和认识到了油价的不稳定性。

本文依据历年的石油价格分析并预测出了未来石油价格的发展前景，确定影响石油价格的各个因素。

针对问题一，本文先探究不同因素对汽油、柴油价格的影响，分析得出影响较大的因素。

本文选取了替代产品的使用、估计需求、人均GDP收入这几个因素分析。

我们首先对各个因素选取可量化的指标进行分析，最后得到影响较大的因素。

由于各种因素未来的不确定性，本文选取灰色预测模型，来预测未来汽油及柴油的价格。

针对问题二，本文建立了基于灰色预测的最小二乘回归模型。

本文考察了人均国民生产总值，运营公交车数量，道路总长，人均可支配收入，汽油年均价这些指标来衡量未来汽车市场的外部环境条件。

本文将未来5年的各种车型销量为研究对象，利用因子分析对所选取的五项指标进行相关性分析，得到四个因子，运用最小二乘法将各种车型的销量与四个因子进行拟合，得到各种汽车车型销量与因子的关系表达式。

运用灰色预测对五项指标进行预测，代入回归方程得到各种车型的销量。

针对问题三，本文建立了废气排放量与油价和各种车型销量的回归拟合模型。

我们可以根据预测的油价及各种车型未来的销量，代入回归方程预测未来废气的排放量。

关键字：灰色预测相关系数因子分析
问题重述
2012年初，工信部公布了党政机关公务用车选用车型目录征求意见稿，在《2012年度党政机关公务用车选用车型目录（征求意见稿）》所列的412款车型中，全部为自主品牌。

车款目录型号包括轿车、多功能乘用车、越野车和新能源汽车4大类，25家入围企业均为国产自主汽车品牌，进口车与合资车全部出局。

412款车型中轿车款型265个，排量小于等于1.8L；越野车款型64个，排量小于等于2.5L；多功能商务车78个，排量小于等于2.4L；另外还包括5款新能源车型。

3月中旬，我国汽油、柴油的零售价大幅度攀升，93号汽油零售价高达7.95元/升，97号汽油每升超过8元。

问题1：收集国际国内近若干年汽油柴油价格，分析影响油价的主要因素，建立数学模型预测油价。

问题2：针对今年公务用车和油价两个因素并结合其它主要因素，建立数学模型预测河北地区车市场的变化。

问题3：评估车市、油市的变化对环境的影响。

问题分析
针对问题一：本文通过收集历年和石油有关的数据分析得到影响油价的主要因素，其中包括：1.石油供需量与油价的关系；2.国民人均GDP与油价的关系；3.代替产品的消费与油价的关系。

然后运用灰色数据预测油价。

针对问题二：本文从人均国民收入,运营公交车数量,道路总长,汽油价格等主要因素深入分析,应用灰色理论等理论分析预测未来湖北地区的车市变化.
针对问题三：本文
符号说明
R-------------拟合度
x------------人均国内生产总值
1
x------------运营公交车辆数
2
x------------道路总长
3
x------------居民人均可支配收入
4
x------------汽油年均价
5
模型假设
（1）.所收集的数据在误差范围内；
（2）.影响国内汽油价格的主要因素为：国际原油价格，替代产品的使用，国内人均可
支配收入和供给需求的影响；不考虑其它刻意的经济影响、政治干预等因素。

（3）.影响汽车销量的因素为人均国民生产总值，运营公交车数量，道路总长，人均可
支配收入。

不考虑其它刻意的经济影响、政治干预等因素。

（4）.假定该课题所采集到的数据都能够真实反映各因素的影响关系
（5）.废气的排放量主要受汽车尾气的影响
模型建立与求解
一，确定影响石油价格的主要因素
1.1石油供需量对油价的影响
对于石油与油价的关系，当供应量大于需求量时，油价自然会降低；反之，当需求量大于供应量时，石油价格会大幅提升。

因此石油是一种与供求量有着密切关系的商品，也是各个国家必不可少的能源之一。

表1是从2000年到2009年石油进出口量值，石油生产量，石油消费量。

单位：万吨。

表一
对表1中数据整理得到图一
通过图一我们可以直观的发现石油消费量与是石油的进口进口量有着密切的关系，而与石油的出口量，石油的生产量没有密切关系，因此石油的进口量是影响石油价格的因素之一。

1.2，人均生产总值对油价的影响
人均平均生产总值的大小间接地影响着石油的价格，例如家用型轿车的使用。

下表是从2003年到2011的人均生产总值
通过SPSS软件求出相关系数
相关系数求出
R，回归方程具有较高的拟合度，并且显著性水平在0.1以下：
由上表可知2=0.940
y=+错误！未找到引用源。

得到回归方程0.1492077.953
由此可知国内汽油价格与人均国民收入有着较高的关联度。

1.3，替代产品的使用对成品有价格的影响
早期的国际石油产业经济特征之一是没有替代能源的竞争。

20 世纪70 年代中东战争后世界石油价格高涨，促使各国加大了新能源开发的力度，能源消费结构日趋多元化。

发展到现在，能源大致可分为常规能源中的煤炭、天然气、水气、水力和核裂变等，以及非常规能源中的核能、油叶岩、太阳能、风能。

其中在能源消费中占较大比重的有煤
炭、天然气、核裂变能等。

通过表格，我们得到下面的图表：
分析图表可知当两条折现有交叉趋势时，可以说明两种能源是彼此能源的代替品。

以上分析可知，短期内天然气是石油的主要替代能源。

随着天然气产业的逐渐国际化，未来天然气的价格将可能成为石油价格的重要影响因素。

长期看煤还是石油的主要替代能源，现在的世界煤炭贸易格局可基本满足各国煤炭的正常需要。

在石油价格过高时，世界煤炭主要产区大利亚、南非、美国等可随机调整煤炭价格，使煤炭更多的投入到世界主要进口地区西欧和日本，而部分替代石油。

随着时间的推移，石油与其他燃料间的竞争也在加剧，特别是可替代、又有发展前途的核能也可影响油价的涨落。

随着应领域的拓宽、技术的成熟，核能对石油价格的影响将逐渐增大。

二，利用灰色预测系统预测未来石油价格
2.1问题1的求解
1、)1,1(GM 模型建立与求解 记)0(x 为观测值数列，且
{}
)(,),2(),1()0()0()0()0(n x x x x =，
用1—AGO 生成一阶累加生成序列
{}
)(,),2(),1()1()1()1()1(n x x x x =
其中，∑==k
i i x k x 1)0()
1()()(。

这样新生成的数据弱化了原始数据的随机性，使原来的数据明显接近指数关系规律。

对生成序列)()1(k x 建立白化微分方程
u ax dt
dx =+)1()
1( (1) 其中，模型参数u ,a 分别称为发展灰度和内生灰度。

对参数a ，u 进行最小二乘法估计，分别构造数据矩阵B 及数据向量Y 为：
()()
()
⎪⎪⎪⎪⎪⎪
⎪
⎭
⎫
⎝⎛
+--
+-+-=1)()1(2
11)3()2(2
11)2()1(21B )1()
1()1()1()1()1(n x n x x x x x ⎪⎪⎪⎪
⎪⎭⎫ ⎝⎛=)()3()2(Y )1()0()0(n x x x 则a 和u 的估计值为
Y B B B u a T T 1)(-=⎪⎪⎭⎫ ⎝⎛
解微分方程(1)，得
a u e a u x k x
ak +-=+-))1(()1(ˆ)0()1(
对)1(ˆx
数列进行累减还原得到原始数列拟合序列为： ak a e e a u
x k x
---=+)1)()1(()1(ˆ)0()0(
通过计算机运行，计算结果如下:
三．预测河北地区车市场变化
本文建立了基于灰色预测的最小二乘回归模型。

本文考察了人均国民生产总值，运营公交车数量，道路总长，人均可支配收入，汽油年均价这些指标来衡量未来汽车市场的外部环境条件。

本文将未来5年的各种车型销量为研究对象，利用因子分析对所选取的五项指标进行相关性分析，得到四个因子，运用最小二乘法将各种车型的销量与四个因子进行拟合，得到各种汽车车型销量与因子的关系表达式。

运用灰色预测对五项指标进行预测，带入回归方程得到各种车型的销量。

3.1数据分析
选取的5个指标所构成的外部环境进行拟合回归，找出各车型销量与外部环境的拟合关系，再通过预测未来几年的外部环境指标，带入回归方程，即可预测出未来几年各种车型的销量。

为更准确的预测出结果，为更准确地预测出结果，应考虑以下两个问题：
（1）本文所选取的五项指标能够较全面构建湖北地区车市的外部环境状况，
但在建立拟合函数之前，应对这五项指标进行相关性检验，克服多变量中信
息重叠的可能性。

可将五项指标进行因子分析，得到少数能反映主要信息的因子。

（2）通过历年车市外部环境状况的历史数据，预测未来几年车市外部环境的五项指标时，由于这些指标值在时间序列中没有必然的相关性，例如，对历年湖北地区人均国内生产总值而言，该时段影响人均国内生产总值的因素是复杂多变的，经济周期的影响，国内重大政治事件的发生等，都会对不同年份的人均生产总值产生不同影响。

因此我们难以从历史数据中寻找到该项指标规律性的变化情况，难以建立高精度的函数描绘出其变化的趋势。

本文我们选择灰色预测模型对各项指标进行预测。

明原始变量间存在两指标间有较高的相关性的现象，以此对选取的五项指标具有进行因子分析的必要。

由上表可以看出，第1个公因子经过旋转后累积方差贡献率达到 93.867%，
具有较高的贡献率，因此选择第一个为公因子。

由上表得出因子得分表达式为：
112345F 0.2070.21
00.1960.2080.211x x x x x =++++ 3.2灰色预测模型的建立：
灰色预测是指利用 GM 模型对系统行为特征的发展变化规律进行估计预测，同时也可以对行为特征的异常情况发生的时刻进行估计计算，以及对在特定时区内发生事件的未来时间分布情况做出研究等等。

这些工作实质上是将“随机过程”对四项结果进行灰色预测的结果及分析：
运用上述方法，运用matlab 软件，本文以预测人均收入为例,依照上述步骤求解如下：
用模型所得到的模型值与原始值如下图所示：
从上表结果中的相对误差和级比偏差来看，该模型的精度还是比较高的，能够对研究值进行预测。

运用相同方法对所选取的人均国内生产总值(元)、运营公交车辆数（辆）、道路总长(公里)、居民人均可支配收入（元）、汽油(93号)年均价 (元/升)这五项指标分别进行预测，结果显示此灰色预测模型的精度还是比较高的，最终得到的预测结果如下：
利用 SPSS 对所以下据进行分析，发现原始变量存在异方差性，因此我们需要发展新的方法估计模型，最常用的方法就是最小二乘法进行回归，对误差进行修正。

自变量选择为因子，因变量为各种车型的销量，回归结果如下
可得到最小回归方程
11213141Y 217.747F 3315681.572Y 0.298F 13365.110Y 190.315F 1927884.051Y 78.003F 1037951.117
=⨯-=-⨯+=⨯-=⨯- 将灰色预测的五项指标进行标准化，分别计算出F1后代入上面的回归方程,得到标准化的y 值，再转换为最终的预测结果
四.评估车市，油市对环境的影响
数据的收集与整理
式。

由此得到回归方程：13y 0.001 2.773a a =⨯+⨯
废气的排放量与各种车型的销量呈线性关系。

油价与废气的排放量呈正向关系，油价对废气的排放量影响最大。

在未来5年内，随着油价的上涨，废气的排放量会成上升趋势。

模型的评价与改进
模型一的评价与推广
我们先分析了可能影响国内成品油价格的因素，分析得出影响较大的因素。

本文选取了国际因素、替代产品的使用、估计需求、人均收入这几个因素分析。

由于各种因素未来的不确定性，本文选取灰色预测模型，来预测未来汽油及柴油的价格。

模型二的评价与推广
本模型将最小二乘回归与灰色预测进行了相当合理的融合，由于通
过历年历史数据的分析，在预测影响汽车销量外部环境状况的五项指标时，这些指标值在时间序列中没有必然的相关性。

拟合程度较低是在所有拟合中都存在的问题。

因此我们难以从历史数据中寻找到该项指标规律性的变化情况，难以建立高精度的函数描绘出其变化的趋势。

而本文选择的灰色预测模型对各项指标进行预测则能够很好的解决这一普遍存在的问题。

此种方法还能够运用在所要评价与预测的指标与时间序列无直接关联的问题当中，找到内在相关性不强的数据中存在的关系。

模型三的评价与推广
本文建立了废气排放量与油价和各种车型销量的回归拟合模型。

我们可以根据预测的油价及各种车型未来的销量，代入回归方程预测未来废气的排放量。

废气的排放量可能还受到工业生产，天气变化的影响，不能完全的反映汽车尾气对环境造成的影响。

参考文献：
[1] 中国发改委
[2]汪冬华《多元化统计分析与SPSS应用》华东理工大学出版社 2010年
[3] 郝黎仁《SPSS实用统计分析》中国水利水电出版社 2002年
附录
汽油（元/吨）均值（元/吨）柴油（元/吨）均值（元/吨）
2011年73107,3107.097,090
2010年67926,792 6.286,280
2009年6,9306,5676,1905,863
6,5305,790
6,2405,610
2008年6,3806,6805,7706,145
6,9806,520
2007年5,9805,7485,5205,520
5,515
2006年5,7355,4855,0404,790
5,2354,540
2005年4,9754,6884,3904,170
4,6754,140
4,4753,980
4,625
2004年4,3254,2053,8303,720
4,0853,610
2003年3,7953,6403,3303,277
3,5953,143
3,4743,403
3,7643,233
3,574
x0=[3640 4205 4688 5485 5748 6680 6567 6792 7310];
lamda=x0(1:9-1)./x0(2:9)
range=minmax(lamda)
x1=cumsum(x0)
for i=2:n
z(i)=0.5*(x1(i)+x1(i-1));
end
B=[-z(2:9)',ones(9-1,1)];
Y=x0(2:9)';
u=B\Y
x=dsolve('Dx+a*x=b','x(0)=x0');
x=subs(x,{'a','b','x0'},{u(1),u(2),x1(1)});
yuce1=subs(x,'t',[0:14]);
digits(6),y=vpa(x) %为提高预测精度，先计算预测值，再显示微分方程的解yuce=[x0(1),diff(yuce1)]
epsilon=abs(x0-yuce)%计算绝对残差
delta=abs(epsilon./x0) %计算相对残差
a=min(epsilon);
b=max(epsilon);
p=0.5;
s=epsilon+p*b;
glxs=(a+p*b)./s; %计算关联系数gldu=sum(glxs)/n %计算关联度pjz=sum(x0)/n
pf1=(x0-pjz).^2
s1=sqrt(sum(pf1)/(n-1)) %x0方差
deta=sum(epsilon)/n;
pf2=(epsilon-deta).^2;
s2=sqrt(sum(pf2)/(n-1)) %残差的方差C=s2/s1 %计算均方差比s0=0.6745*s1
ek=abs(epsilon-deta)。