论文部分内容阅读
我国是柴油消费大国。近年来，国内柴油市场发展迅速，柴油需求快速增长，年度平均消费量占到整个成品油市场年度平均消费量比重的60％以上。因此，立足当前国内经济的发展，对国内柴油市场需求进行研究具有重要意义。但是，从国内石油企业来看，对柴油市场需求的研究往往从主观经验出发，去判断未来柴油市场的需求量，缺乏一定的科学性，得到的结果也不是很理想，预测精度不高，有时甚至出现严重偏差。另外，柴油用油涉及到的行业较为复杂，包括柴油机动车、农业、铁路运输、水路运输、渔业、电力、建筑、工矿企业、商业民用等众多领域，而对于柴油用油行业的研究尚处于起步阶段，没有一个系统的量化方法作为科学决策的理论依据。面对快速变化的柴油市场，石油企业面临的市场竞争日益激烈，国内石油企业迫切需要找到一种科学的方法去解决当前所面临的问题。因此，笔者试图利用柴油市场的行业经验和科学的定量分析方法两者相结合，去研究未来国内柴油需求量的变化趋势，进而建立科学的预测模型，来为国内石油企业制定政策提供科学依据，这对于国内企业尤其是石油企业合理控制生产，提供有效供给和满足市场需求，进而提高企业的运行效率具有重要意义。
本文首先对国内柴油市场需求进行行业分析，希望通过对柴油行业以及相关行业数据的分析，为接下来的量化分析提供方向和理论支撑。然后，根据行业分析的结论，笔者希望利用科学而有效的预测模型建立适用预测中短期柴油需求量的预测模型，为石油企业高层判断未来柴油市场走向和柴油消费趋势，进行科学决策提供支持，同时也能够帮助石油企业有效的控制成本，提高生产效率，在未来市场竞争中占据有利地位。
在本文的预测建模部分，主要分为单变量建模和多变量建模两大部分。单变量预测部分采用了残差自回归模型和自回归求和滑动平均模型(ARIMA模型)，并对模型进行了比较分析。由于单变量预测方法仅仅考虑了单变量自身的变化规律，虽然能在一定程度上预测变量自身未来的趋势性，但是模型的解释性较差，准确性不高。因此本文进一步对多变量预测模型进行了研究，根据相关行业数据对柴油市场需求的影响，提出使用多变量残差自回归模型和传递函数模型(ARIMAX)来建立相关的预测模型，通过探察柴油消费量与工业增加值、柴油车保有量、柴油车销售量、客运货运周转量等相关因素的关系，尤其是探察这些相关行业数据和此后若干个月的柴油表观消费量之间的关系，笔者希望利用这些相关因素的信息和柴油表观消费量自身的规律，预测未来若干个月的柴油表观消费量情况。
本文的创新见解主要有以下二个方面：
第一，首次将科学的预测建模方法应用于柴油消费市场，利用SAS软件建立了单变量条件下的残差自回归模型和ARIMA模型以及多变量条件下的残差自回归模型和传递函数模型。
第二，基于国内柴油市场的需求规律，建立不同的预测模型，并进行模型间的对比分析，得出结论当序列有明显的确定性趋势和季节性趋势时，选取单变量预测模型中的残差自回归方法，模型简单有效，预测精度也比较高；当对序列的趋势把握不准时，可以采用ARIMA模型和传递函数模型分别建立单变量和多变量的时间序列预测模型，进行预测都会取得比较好的效果。相对传递函数模型来说，ARIMA模型建模较为简单，而且精度较高。相对ARIMA模型，传递函数模型虽然较为复杂，但是预测功能更为强大，而且传递函数模型将相关影响因素考虑在内，所以具有很好的解释性。
在论文的写作过程中，笔者翻阅了大量的石油行业书籍和时间序列预测建模的书籍和资料，力求在对研究问题的深刻理解的前提下，建立完善而准确的时间序列预测模型。在基于柴油消费数据和相关行业数据的前提下，从数据建模的角度，建立不同的时间序列模型，并对模型进行比较分析，得出最优的预测建模方案，最大限度的提高模型的预测精度，为企业决策提供量化依据。