LPG需求量的影響因素分析及應(yīng)用研究

楊新順

摘?要：LPG廣泛應(yīng)用于生產(chǎn)生活多個(gè)領(lǐng)域，在國民經(jīng)濟(jì)發(fā)展中扮演越來越重要角色，對LPG需求量的預(yù)測是相關(guān)企業(yè)制定市場開發(fā)、經(jīng)營決策的重要參考因素，也是提升LPG供應(yīng)安全、降低經(jīng)營風(fēng)險(xiǎn)的重要措施。論文分析了LPG需求的內(nèi)在機(jī)理，進(jìn)行影響LPG消費(fèi)量的主成分因素分析，通過SPSS軟件提取了LPG價(jià)格指數(shù)、WTI價(jià)格、美元匯率、工業(yè)生產(chǎn)價(jià)格指數(shù)4個(gè)主成分因素，可應(yīng)用于LPG消費(fèi)量預(yù)測工作中，為相關(guān)企業(yè)制定LPG經(jīng)營策略提供參考。

關(guān)鍵詞：LPG；需求量；預(yù)測模型；主成分提取；SPSS

中圖分類號：F2?????文獻(xiàn)標(biāo)識碼：A??????doi：10.19311/j.cnki.16723198.2024.04.004

0?引言

液化石油氣（簡稱LPG，主要成分為C3和C4）屬于油氣副產(chǎn)品，廣泛應(yīng)用于工業(yè)深加工、民用燃燒及商業(yè)等領(lǐng)域，因其產(chǎn)品屬性，在很多領(lǐng)域與天然氣形成互補(bǔ)，是鄉(xiāng)鎮(zhèn)燃?xì)獾闹匾M成部分，在陶瓷玻璃制品、種植業(yè)保溫、除草殺蟲、畜牧養(yǎng)殖等鄉(xiāng)村振興中扮演不可替代的作用。此外，LPG作為原料氣廣泛供應(yīng)給多種類型的工業(yè)深加工項(xiàng)目。我國液化石油氣年需求量約7000萬噸，已成為世界第一大消費(fèi)國。

LPG市場是高度開放的完全競爭性市場，準(zhǔn)入門檻低，經(jīng)營主體多，市場價(jià)格幾乎每日調(diào)整。目前，對LPG消費(fèi)量的預(yù)測主要采用時(shí)間序列法、指數(shù)平滑法、彈性系數(shù)法等，以某個(gè)或多個(gè)因素來構(gòu)建預(yù)測模型，建立因素與消費(fèi)量間的函數(shù)關(guān)系并進(jìn)行預(yù)測分析，這些方法缺乏對LPG消費(fèi)量所涉因素的有效論證。而計(jì)量分析方法等數(shù)據(jù)分析方法缺乏經(jīng)濟(jì)學(xué)解釋，沒有考慮到LPG的市場經(jīng)營特點(diǎn)。基于此，需要在數(shù)據(jù)分析基礎(chǔ)上，對LPG消費(fèi)量進(jìn)行影響因素的經(jīng)濟(jì)原理解釋和系統(tǒng)性分析，屬復(fù)雜的非線性系統(tǒng)問題。論文采用主成分提取方法，挖掘影響LPG需求的關(guān)鍵因素。

1?需求量預(yù)測方法

目前關(guān)于需求量預(yù)測的方法很多，例如BP神經(jīng)網(wǎng)絡(luò)在分類、函數(shù)逼近、識別學(xué)習(xí)、回歸等分析中有著廣泛應(yīng)用，它由輸入層、隱含層及輸出層組成，通過模擬生物神經(jīng)系統(tǒng)功能和結(jié)構(gòu)進(jìn)行信息處理，BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)功能，在復(fù)雜性、系統(tǒng)性問題研究中具有較強(qiáng)優(yōu)勢，可自動適用輸入要素所給予的環(huán)境，并通過全局逼近實(shí)現(xiàn)預(yù)測值與實(shí)際值的最小差異。主成分分析方法也是常用的分析方法之一，它以“向量映射”的概念，對各因素對目標(biāo)值的影響程度進(jìn)行評估，并且有效地消除因素的重疊影響能力，應(yīng)用主成分去挖掘LPG需求量的影響因素較為合理。

在進(jìn)行LPG消費(fèi)量需求量預(yù)測時(shí)，輸入層為LPG影響因素的主成分要素，隱含層由多個(gè)隱含節(jié)點(diǎn)構(gòu)成，輸出層為LPG消費(fèi)量。網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)充分考慮LPG消費(fèi)量影響因素，通過并行處理能力、自學(xué)習(xí)自適應(yīng)能力，對LPG消費(fèi)量影響因素進(jìn)行非線性映射、優(yōu)化算法，經(jīng)過多代訓(xùn)練，逐漸縮小誤差，并控制在目標(biāo)范圍內(nèi)，最終構(gòu)建出LPG消費(fèi)量預(yù)測神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練成熟的模型可應(yīng)用到后期的消費(fèi)量預(yù)測中。

主成分因素輸入后，輸入層接受到輸入信息，通過所設(shè)置的訓(xùn)練函數(shù)獲得輸出結(jié)果，輸入信息經(jīng)過隱含層逐層處理并傳遞給輸出層，輸出層輸出結(jié)果與實(shí)際輸出值進(jìn)行比較，若不符合要求則進(jìn)行誤差反向傳遞，由輸出層向輸入層逐層修正各層連接權(quán)值，通過不斷傳輸修正，使誤差逐漸縮小至可接受程度，完成訓(xùn)練，此時(shí)所對應(yīng)的模型及其各層連接權(quán)值即滿足需要。

2?LPG消費(fèi)量影響因素提取分析

2.1?數(shù)據(jù)選樣

LPG的價(jià)格變化與成品油價(jià)格波動存在較強(qiáng)關(guān)聯(lián)性，國家發(fā)改委要求LPG出廠最高價(jià)與成品油價(jià)格保持穩(wěn)定的比例關(guān)系，由于成品油調(diào)價(jià)周期與LPG價(jià)格波動周期不符，故無法選擇成品油價(jià)格作為影響因素，成品油價(jià)格變化受國際油價(jià)傳導(dǎo)，因此，可以將LPG價(jià)格波動與國際油價(jià)、美元匯率波動進(jìn)行關(guān)聯(lián)，故可選擇這兩個(gè)參數(shù)研究。

LPG在燃料動力、有色金屬、化工原料、工業(yè)用氣、車用等重要領(lǐng)域有著廣泛用途，LPG消費(fèi)量大小反映了這些需求產(chǎn)業(yè)的經(jīng)營情況和活躍程度，LPG消費(fèi)量作為這些行業(yè)的生產(chǎn)成本組成部分，影響其工業(yè)產(chǎn)品出廠價(jià)格，因此可選擇工業(yè)生產(chǎn)價(jià)格指數(shù)（PPI）進(jìn)行分析。此外，LNG在一定程度上可替代LPG，例如車用燃?xì)狻⒚裼萌細(xì)獾龋叽嬖谳^強(qiáng)的關(guān)聯(lián)性，故LNG出廠價(jià)也是重要考慮因素。在實(shí)際經(jīng)營過程中，LPG消費(fèi)量還受物流條件影響，除傳統(tǒng)槽車運(yùn)輸外，LPG水運(yùn)規(guī)模逐漸增大，隨著國際貿(mào)易需求的不斷加大，水運(yùn)貿(mào)易往來頻繁，物流響應(yīng)速度快，市場化程度高，對LPG的供應(yīng)及其消費(fèi)有著直接影響。

綜上分析，選擇WTI、美元匯率、PPI、LPG全國價(jià)格指數(shù)、LNG出廠價(jià)、LPG水運(yùn)量進(jìn)行因素分析，數(shù)據(jù)以月度統(tǒng)計(jì)為準(zhǔn)，參照國家統(tǒng)計(jì)局等官方數(shù)據(jù)等行業(yè)公開數(shù)據(jù)，選擇2016年1月至2023年3月月度平均數(shù)據(jù)，進(jìn)行主成分提取，結(jié)果如表1所示。

通過主成分分析，提取前4個(gè)關(guān)鍵因素，累計(jì)貢獻(xiàn)值為99.047%，超過95%，符合貢獻(xiàn)值要求，所選擇4個(gè)關(guān)鍵因素為LPG全國價(jià)格指數(shù)、WTI、美元匯率、PPI。

2.2?數(shù)據(jù)處理

為降低不同參數(shù)量綱及數(shù)據(jù)數(shù)量級大小不同對模型的設(shè)計(jì)造成的負(fù)面影響，需對LPG全國價(jià)格指數(shù)、國際油價(jià)WTI、美元匯率、PPI數(shù)據(jù)進(jìn)行歸一化處理，處理公式為：

xij-min（xij）max（xij）-min（xij）（公式1）

其中：

xij—第i主成分因素在第j時(shí)間的數(shù)值；

max（xij—第i主成分因素在指定時(shí)間內(nèi)的最大值；

min（xij）—第i主成分因素在指定時(shí)間內(nèi)的最小值。

通過歸一化處理，將所有因素?cái)?shù)值控制在[0，1]之間，避免不同因素因量綱不同而影響模型構(gòu)建及結(jié)果。

2.3?模型構(gòu)建

歸一化處理后的數(shù)據(jù)可應(yīng)用到模型構(gòu)建中，通過主成分因素構(gòu)建神經(jīng)元，輸入分量pij（i=1，2，3，4；j=1，2，…，n），通過與權(quán)值分量wij（i=1，2，3，4；j=1，2，…，n）相乘，構(gòu)建輸出函數(shù)Yj：

Yj=f（∑ni=1wijpij-θj）（公式2）

其中，θj——j的閾值；f為激活函數(shù)。

計(jì)算得出輸出項(xiàng)，并與實(shí)際輸出項(xiàng)進(jìn)行比較相減，得到誤差函數(shù)為：

rj=y′j（1-y′j）∑rj+1wj（j+1）（公式3）

其中，rj為下層節(jié)點(diǎn)j+1對應(yīng)的誤差值大小，wj（j+1）是連接節(jié)點(diǎn)j及節(jié)點(diǎn)（j+1）的加權(quán)鏈的權(quán)值，是可調(diào)整的參數(shù)，根據(jù)輸入輸出誤差值比較情況進(jìn)行反饋調(diào)整，調(diào)整公式為：

wj（j+1）=wj（j+1）+μ·rj+1·y′j（公式4）

其中，y′j表示輸出值，隱含層節(jié)點(diǎn)輸出公式為：

y′j=e∑wijxi-θj-e-∑wijxi-θje∑wijxi-θj+e-∑wijxi-θj（公式5）

輸出層節(jié)點(diǎn)輸出公式為：

y′j=（1+e-∑wijxi-θj）-1（公式6）

輸出值y′j與實(shí)際值yj進(jìn)行比較，得出全局均方差E，其計(jì)算公式為：

E=12∑Nj=1（yj-y′j）2（公式7）

若全局均方差E高于設(shè)定誤差目標(biāo)值，則模型自動反饋至輸入項(xiàng)進(jìn)行重新模擬計(jì)算，通過修改權(quán)值分量wij繼續(xù)訓(xùn)練，得出新的輸出項(xiàng)，新的輸出項(xiàng)繼續(xù)與目標(biāo)值進(jìn)行比較，若高于誤差范圍，進(jìn)行反饋訓(xùn)練。不斷訓(xùn)練后，當(dāng)均方差滿足設(shè)定的誤差目標(biāo)值時(shí)，即完成訓(xùn)練和模型構(gòu)建。

2.4?模型訓(xùn)練及結(jié)果分析

應(yīng)用Matlab軟件進(jìn)行樣本訓(xùn)練，分別選擇logsig、purelin作為傳遞函數(shù)，以trainlm作為訓(xùn)練函數(shù)，以learngdm?作為學(xué)習(xí)函數(shù)，通過網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)隱含節(jié)點(diǎn)數(shù)為8時(shí)的均方差最小（應(yīng)用經(jīng)驗(yàn)公式時(shí)隱含節(jié)點(diǎn)同樣為8），故論文選擇8作為LPG消費(fèi)量預(yù)測BP神經(jīng)網(wǎng)絡(luò)的隱含節(jié)點(diǎn)數(shù)。設(shè)定目標(biāo)誤差值為0.1%，通過反復(fù)訓(xùn)練，得到滿足要求的權(quán)值分量wij并完成模型設(shè)計(jì)和訓(xùn)練，誤差曲線如圖1所示。

為了對模型訓(xùn)練效果進(jìn)一步驗(yàn)證，選擇2023年4月至2023年6月三個(gè)樣本作為檢測項(xiàng)，輸入該時(shí)間段4個(gè)主成分因素的實(shí)際值，通過訓(xùn)練確認(rèn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，預(yù)測結(jié)果如表2所示。

預(yù)測結(jié)果顯示，通過對主成分因素的提取并構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過多代訓(xùn)練，所預(yù)測的數(shù)據(jù)與實(shí)際值誤差率都在0.5%范圍內(nèi)，預(yù)測精度高，模型的結(jié)構(gòu)設(shè)計(jì)、運(yùn)行及效果皆可滿足預(yù)測工作需要。

3?思考和建議

論文首先應(yīng)用SPSS軟件進(jìn)行主成分分析，對諸多LPG消費(fèi)量影響因素進(jìn)行主成分提取，篩選了貢獻(xiàn)值超過99%的4個(gè)關(guān)鍵要素，得出關(guān)鍵影響因素，可以基于此開展統(tǒng)計(jì)分析和預(yù)測分析工作，得出以下結(jié)論：

（1）論文通過主成分提取，挖掘了LPG全國價(jià)格指數(shù)、國際油價(jià)WTI、美元匯率、PPI這4個(gè)影響LPG消費(fèi)量主要因素，考慮到實(shí)際經(jīng)營環(huán)境的變化，在選取主要因素時(shí)需要動態(tài)考慮，結(jié)合當(dāng)時(shí)情況動態(tài)調(diào)整。

（2）影響LPG消費(fèi)量的因素很多，部分因素在不同條件下的貢獻(xiàn)值會改變，在實(shí)際經(jīng)營管理工作中，挖掘的因素越多越好，且需要把握市場時(shí)機(jī)，在不同時(shí)機(jī)的主要因素也會不同，需要不斷地進(jìn)行主成分分析，更加準(zhǔn)確地開展預(yù)測及評估工作。

（3）雖然主成分可有效提取超過95%的影響力，但實(shí)際工作中仍不能忽略那些低影響程度的因子，LPG的經(jīng)營行為除了受市場因素影響外，也受人為因素干擾，有可能通過人為干擾將不重要因素放大，甚至造成突發(fā)情況帶來市場大幅異常波動，因此在實(shí)際經(jīng)營工作中需綜合考慮，抓住主要因素且不忽略次要因素。

參考文獻(xiàn)

［1］Study?on?New?Evolutionary?Neural?Network.?Wei?Gao.?Proceedings?of?the?Second?International?Conference?on?Machine?Learning?and?Cybernetics，2003.

[2]Mac?Lennan?J.?Data?Mining?With?SQL?Server?2005[M].北京：清華大學(xué)出版社，2007.

[3]董長虹.Matlab?神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，2005：2940.

[4]An?improved?Particle?swarm?optimization?based?on?self-adaptive?escape?velocity[J].?He?R，Wang?YJ，Wang?Q，Zhou?JH，Hu?CY.?Journal?of?Software，2005.