基于機(jī)器學(xué)習(xí)方法的我國(guó)天然氣進(jìn)口預(yù)測(cè)

邢文婷 袁 琳 張 巧

1（重慶工商大學(xué)管理科學(xué)與工程學(xué)院，重慶 400067） 2（四川大學(xué)商學(xué)院，成都 610065）

引 言

“十四五”規(guī)劃（2021～2025年）中一項(xiàng)重要任務(wù)是在2030年實(shí)現(xiàn)非化石能源占一次能源消費(fèi)的比例達(dá)到20%，“雙碳”政策要求在2030年實(shí)現(xiàn)二氧化碳排放量達(dá)到峰值并穩(wěn)中有降。在當(dāng)前能源政策導(dǎo)向下，我國(guó)正大力發(fā)展清潔能源，但在實(shí)際發(fā)展中，出現(xiàn)傳統(tǒng)能源退出步伐過快以及新能源的安全可靠替代性不足等問題。天然氣作為一種清潔能源，在傳統(tǒng)能源退出和新能源發(fā)展中起著重要的過渡作用，是實(shí)現(xiàn) “雙碳”目標(biāo)的橋梁［1］。受限于資源稟賦、儲(chǔ)存條件、技術(shù)水平和產(chǎn)業(yè)環(huán)境等因素，盡管國(guó)內(nèi)天然氣產(chǎn)能建設(shè)在國(guó)家加大勘探開發(fā)力度政策的引導(dǎo)下得到快速發(fā)展，但產(chǎn)量增速與需求增速相比仍顯動(dòng)力不足，因此我國(guó)天然氣供應(yīng)主要依賴進(jìn)口［2］。2018年我國(guó)天然氣進(jìn)口量超過日本，成為世界最大的天然氣進(jìn)口國(guó)，2020年受新冠肺炎疫情影響，各行業(yè)經(jīng)濟(jì)形勢(shì)受到不同程度沖擊，但天然氣進(jìn)口增速仍與2019年進(jìn)口增速持平，顯示出我國(guó)對(duì)天然氣的剛性需求以及天然氣在應(yīng)對(duì)危機(jī)中的獨(dú)特韌性，天然氣進(jìn)口的重要性不言而喻。因此，準(zhǔn)確預(yù)測(cè)天然氣進(jìn)口趨勢(shì)對(duì)不影響國(guó)民經(jīng)濟(jì)穩(wěn)定發(fā)展的前提下實(shí)現(xiàn) “雙碳”目標(biāo)具有重大意義。同時(shí)，掌握科學(xué)的預(yù)測(cè)數(shù)據(jù)有利于政府實(shí)行動(dòng)態(tài)的進(jìn)口策略，為相關(guān)部門制定能源政策提供科學(xué)的理論依據(jù)。

1 文獻(xiàn)綜述

構(gòu)建科學(xué)的天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系和高精度的預(yù)測(cè)模型是本文預(yù)測(cè)工作的重點(diǎn)。在早期天然氣預(yù)測(cè)指標(biāo)的選取中，更多考慮與需求直接相關(guān)的影響因素，認(rèn)為GDP和人口是影響天然氣消費(fèi)的最主要因素，另外，行業(yè)不同天然氣消費(fèi)量的影響因素也不同，如Melikoglu將國(guó)內(nèi)生產(chǎn)總值、人均購(gòu)買力、人口統(tǒng)計(jì)和人口變化等指標(biāo)納入了預(yù)測(cè)體系［3］，Li等認(rèn)為第二產(chǎn)業(yè)和第三產(chǎn)業(yè)中天然氣使用量與固定資產(chǎn)投入有關(guān)［4］。近年來，大多學(xué)者會(huì)針對(duì)自身的研究需要，納入其他對(duì)天然氣預(yù)測(cè)可能產(chǎn)生影響的指標(biāo)，Zhang和Yang認(rèn)為能源效率、城鎮(zhèn)化率等會(huì)對(duì)天然氣消費(fèi)量產(chǎn)生影響［5］，Omer等使用季節(jié)指數(shù)、溫度、天然氣價(jià)格、石油價(jià)格、人口和GDP為預(yù)測(cè)變量用以預(yù)測(cè)伊斯坦布爾省的天然氣需求［6］。由此可見，學(xué)者研究視角的不同導(dǎo)致難以形成統(tǒng)一的預(yù)測(cè)指標(biāo)體系，且大多研究在構(gòu)建預(yù)測(cè)指標(biāo)體系時(shí)仍采用傳統(tǒng)定性方法，存在一定的局限性和非客觀性。因此，本文利用曲線投影尋蹤動(dòng)態(tài)聚類模型構(gòu)建天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系，剔除人為任意性的影響，使預(yù)測(cè)指標(biāo)體系更具客觀科學(xué)性，提升預(yù)測(cè)精度。

在能源預(yù)測(cè)方法中，時(shí)間序列［7］、灰色系統(tǒng)模型［8］和多元線性回歸［9］等傳統(tǒng)預(yù)測(cè)方法因具備簡(jiǎn)單、運(yùn)行速度快等優(yōu)點(diǎn)受到研究者們的青睞，但這些方法在單獨(dú)使用時(shí)存在精確度較低、難以刻畫復(fù)雜的非線性演變趨勢(shì)等缺陷。為了提升預(yù)測(cè)精度，有學(xué)者對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化改進(jìn)，Song設(shè)計(jì)了一種能自動(dòng)適應(yīng)天然氣消費(fèi)特征的非線性優(yōu)化且自適應(yīng)初始值的灰色預(yù)測(cè)模型［10］。Zhou等對(duì)傳統(tǒng)灰色模型進(jìn)行了優(yōu)化，設(shè)計(jì)了一種非線性的新型離散灰色模型，提升了模型的性能，減少預(yù)測(cè)誤差［11］。Liu等建立了一個(gè)具有時(shí)間冪項(xiàng)的離散分?jǐn)?shù)灰色模型并預(yù)測(cè)了2019～2025年中國(guó)天然氣消費(fèi)量［12］，雖然優(yōu)化后模型的精度有所提升，但其所求解的權(quán)系數(shù)固定不變，對(duì)于受多種復(fù)雜因素影響的天然氣進(jìn)口預(yù)測(cè)并不是最合適的。機(jī)器學(xué)習(xí)模型與傳統(tǒng)算法相比，不僅彌補(bǔ)了上述缺陷且具有高精度、自適應(yīng)和動(dòng)態(tài)學(xué)習(xí)的優(yōu)勢(shì)［6，13］。

綜上，為了降低預(yù)測(cè)風(fēng)險(xiǎn)，提升預(yù)測(cè)精度，準(zhǔn)確地對(duì)我國(guó)天然氣進(jìn)口量進(jìn)行預(yù)測(cè)，本文利用曲線投影尋蹤動(dòng)態(tài)聚類模型深入挖掘影響天然氣進(jìn)口量的主要因素，剔除數(shù)據(jù)中顯示與天然氣進(jìn)口量無關(guān)的因素，實(shí)現(xiàn)最終預(yù)測(cè)指標(biāo)體系的客觀性。并構(gòu)建多變量灰色預(yù)測(cè)、支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)3種機(jī)器學(xué)習(xí)模型來擬合2006～2020年我國(guó)天然氣進(jìn)口量數(shù)據(jù)，并將擬合結(jié)果進(jìn)行對(duì)比分析，以期選出擬合精度最高的預(yù)測(cè)模型對(duì)我國(guó)2021～2026年天然氣進(jìn)口量進(jìn)行預(yù)測(cè)，旨在為我國(guó)天然氣供應(yīng)安全和制定能源政策提供一定的科學(xué)依據(jù)。

2 天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系構(gòu)建

通過梳理相關(guān)文獻(xiàn)［3－6，10－15］，從天然氣需求預(yù)測(cè)指標(biāo)出發(fā)并結(jié)合天然氣進(jìn)口的特殊性以及當(dāng)下能源背景，本文從經(jīng)濟(jì)發(fā)展指標(biāo)、人口指標(biāo)、天然氣行業(yè)指標(biāo)和能源消費(fèi)指標(biāo)4個(gè)方面綜合考慮，初選13個(gè)影響天然氣進(jìn)口的二級(jí)指標(biāo)。如表1所示。

表1 影響天然氣進(jìn)口的初始評(píng)價(jià)指標(biāo)集

然后，采用曲線投影尋蹤動(dòng)態(tài)聚類模型［16］對(duì)各指標(biāo)進(jìn)行排序，假設(shè)xij（i＝ 1，2，3，…，n；j＝ 1，2，3，…，m）表示影響天然氣進(jìn)口的評(píng)價(jià)指標(biāo)，其中n表示樣本數(shù)量，m表示指標(biāo)個(gè)數(shù)），最終指標(biāo)體系X由m×n維數(shù)值矩陣構(gòu)成。

（1）指標(biāo)無量綱化

由于天然氣進(jìn)口評(píng)價(jià)指標(biāo)的量綱不盡相同，首先對(duì)指標(biāo)數(shù)據(jù)進(jìn)行無量綱化處理。如果xij為正向指標(biāo)，其標(biāo)準(zhǔn)化公式為：

如果xij為負(fù)向指標(biāo)，其標(biāo)準(zhǔn)化公式為：

（2） 曲線投影

雙曲正切曲線的特點(diǎn)是增長(zhǎng)緩慢，然后加速，最后逐漸穩(wěn)定。用它來描述天然氣進(jìn)口各評(píng)價(jià)指標(biāo)的變化過程是合理的。有雙曲正切函數(shù)：

（3）投影尋蹤動(dòng)態(tài)聚類指標(biāo)的構(gòu)建

采用動(dòng)態(tài)聚類投影法構(gòu)造新的投影指標(biāo)。雙曲正切函數(shù)曲線的投影特征值序列表示為：z1，z2，z3，…，zn，評(píng)價(jià)等級(jí)為p（p≤n）。Θt（t＝1，2，3，…，p）表示樣本投影特征值的第t類集合：

Θt＝｛Zi｜d（At－Zi）≤d（An－Zi）｝

h＝1，2，3，…，pt≠h

d（）越小表示類間樣本的聚合越高，s（）越大表示樣本間離散程度越高。投影尋蹤動(dòng)態(tài)聚類的思想要求樣本點(diǎn)在整體上盡可能分散，并形成多個(gè)類，類與類之間盡可能分散，而類內(nèi)樣本點(diǎn)盡可能聚集。根據(jù)該思想，定義了曲線投影尋蹤動(dòng)態(tài)聚類指標(biāo)：

最佳投影方向和投影值可以反映各評(píng)價(jià)指標(biāo)與天然氣進(jìn)口量的內(nèi)在機(jī)理，當(dāng)Q（）最大時(shí)可以得到最能反映數(shù)據(jù)特征的最佳聚類結(jié)果和投影方向向量，因此，天然氣進(jìn)口評(píng)價(jià)指標(biāo)可以描述為以下非線性優(yōu)化問題：

表2 天然氣進(jìn)口預(yù)測(cè)指標(biāo)特征重要性排序

結(jié)果顯示，能源消費(fèi)總量中天然氣占比、天然氣使用人數(shù)和城鎮(zhèn)人口數(shù)量對(duì)天然氣進(jìn)口量影響較大，均在10%以上，其中能源消費(fèi)總量中天然氣占比的影響程度最大，為32.06%，說明天然氣消費(fèi)占比是影響我國(guó)天然氣進(jìn)口量的最主要驅(qū)動(dòng)因素，與當(dāng)前我國(guó)大力發(fā)展天然氣改善能源消費(fèi)結(jié)構(gòu)、天然氣進(jìn)口需求不斷增大的現(xiàn)實(shí)情況一致。另外，能源工業(yè)固定資產(chǎn)投資、天然氣進(jìn)口價(jià)格和居民消費(fèi)水平對(duì)天然氣進(jìn)口量的影響程度微乎其微，均在1%以下。從預(yù)測(cè)數(shù)據(jù)的有效性和預(yù)測(cè)精度考慮，將影響程度不足1%的指標(biāo)剔除，得到最終天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系，如表3所示。

表3 天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系

續(xù) 表

3 機(jī)器學(xué)習(xí)模型概述

3.1 多變量灰色 GM（1，N）模型

GM（1，1）是最常用的灰色模型，其原理是用少量數(shù)據(jù)預(yù)測(cè)變量未來一段時(shí)間的發(fā)展趨勢(shì)。由于整個(gè)樣本僅由一組時(shí)間序列數(shù)據(jù)構(gòu)成，并未深入挖掘外界因素對(duì)變量產(chǎn)生的影響，因此模型精度不高。GM（1，N）模型原理與GM（1，1）相似，但彌補(bǔ)了GM（1，1）的缺陷，將對(duì)因變量有影響的N個(gè)因素納入模型，構(gòu)造N個(gè)n元一階常微分方程結(jié)合求解，提升預(yù)測(cè)精度。GM（1，N）模型構(gòu)建如下。

3.1.1 數(shù)據(jù)準(zhǔn)備

3.1.2 計(jì)算累加序列，生成鄰值序列

3.1.3 引入矩陣向量記號(hào)

參數(shù)列u＝［a，b2，…，bN］T的最小二乘估計(jì)滿足：

最后將其做累減解得還原值，得到最終天然氣進(jìn)口預(yù)測(cè)值：

3.2 支持向量機(jī)回歸（SVR）

支持向量機(jī)是一種穩(wěn)健而精確的數(shù)據(jù)挖掘技術(shù)，可以用于樣本的分類與預(yù)測(cè)，用于回歸解決預(yù)測(cè)問題時(shí)，稱為支持向量機(jī)回歸。SVR的目的是使函數(shù)最大限度偏離實(shí)際輸出的不敏感損耗函數(shù)。在減小誤差時(shí)，通過同時(shí)增加函數(shù)的平坦度，可降低過度檢測(cè)風(fēng)險(xiǎn)。對(duì)天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系組成的N維數(shù)據(jù)樣本進(jìn)行訓(xùn)練，找到擬合效果最佳的函數(shù)模型和參數(shù)，并利用擬合所得函數(shù)輸出某一時(shí)間段的預(yù)測(cè)值。SVR從函數(shù)角度表示為：

其中φ（x）表示核變換函數(shù)，將輸入數(shù)據(jù)映射為高維數(shù)據(jù)，w和b是參數(shù)。通過最小化正則化風(fēng)險(xiǎn)函數(shù)來計(jì)算系數(shù)，如下所示：

其中參數(shù)ε為容差值：

上述方程中L（y，f（x））表示不敏感損耗功能。當(dāng)估計(jì)值在介電常數(shù)內(nèi)，則損耗為0。同時(shí)引入兩個(gè)松弛變量ξ1和ξ2，分別表示介電常數(shù)區(qū)的正偏差和負(fù)偏差。式 （10）以新的約束形式重新表述為：

通過下式的拉格朗日乘子法解決上述約束優(yōu)化問題：

對(duì)偶拉格朗日形式如下：

最后得到回歸函數(shù)：

其中K（xi，xj）是一個(gè)核函數(shù)，其值等于特征空間φxi和φxj中兩個(gè)向量xi和xj的內(nèi)積。比較常用的核函數(shù)有徑向基核、線性核和多項(xiàng)式核，在本文研究中采用多項(xiàng)式核進(jìn)行天然氣進(jìn)口預(yù)測(cè)，多項(xiàng)式核計(jì)算簡(jiǎn)單且提高算法速度，用以下等式表示：

在等式中，d表示階數(shù)，a1和a2為常數(shù)。SVR的性能取決于超參數(shù)（c，ε）和核參數(shù)（d）的設(shè)置，參數(shù)的設(shè)置會(huì)影響估算精度。詳細(xì)來說，c提供了訓(xùn)練誤差和模型魯棒性之間的折衷，c取值過大，則目標(biāo)函數(shù)的經(jīng)驗(yàn)風(fēng)險(xiǎn)將最小化。參數(shù)ε與支持向量的數(shù)量一致，并決定SVR中耗損函數(shù)的寬度。

3.3 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

人工神經(jīng)網(wǎng)絡(luò)是一種反向傳播算法，由于神經(jīng)網(wǎng)絡(luò)中存在大量參數(shù)，容易產(chǎn)生過擬合或訓(xùn)練時(shí)間長(zhǎng)的情況。卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）是一種深度學(xué)習(xí)模型，典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含卷積層、池化層和全連接層3個(gè)環(huán)節(jié)，每層卷積層由一組卷積核組成，CNN依靠卷積層中的卷積核識(shí)別輸入數(shù)據(jù)的特征，通過池化層提取有效特征，并通過局部連接對(duì)輸入數(shù)據(jù)的相關(guān)性進(jìn)行分析、權(quán)值共享和子采樣，提取出全局特征一般需要多次卷積才能完成。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)降低了相同網(wǎng)絡(luò)規(guī)模下的訓(xùn)練參數(shù)量和計(jì)算量，適應(yīng)性更強(qiáng)，同時(shí)降低了模型的復(fù)雜度以及過擬合的風(fēng)險(xiǎn)。CNN本質(zhì)上是一種輸入到輸出的映射，訓(xùn)練過程一般包括兩個(gè)階段：第一階段：向前傳播階段。輸入卷積網(wǎng)絡(luò)，計(jì)算出與之對(duì)應(yīng)的實(shí)際輸出值。在此階段，信息從輸入層經(jīng)過逐級(jí)變換傳送到輸出層；第二階段：向后傳播階段。計(jì)算實(shí)際輸出值與理想輸出值間的差距，按照極小化誤差的方法調(diào)整權(quán)值矩陣。判斷指標(biāo)是否滿足精度要求，不滿足則返回第一階段繼續(xù)迭代。當(dāng)訓(xùn)練結(jié)束則認(rèn)為各個(gè)權(quán)值達(dá)到穩(wěn)定，分類器已形成。一維卷積公式如下：

其中，yt為輸出的特征數(shù)據(jù)；wt為卷積核；xt－k＋1為輸入數(shù)據(jù)；b為偏置；K為數(shù)據(jù)長(zhǎng)度。

4 我國(guó)天然氣進(jìn)口量預(yù)測(cè)

4.1 數(shù)據(jù)說明

本文使用到的數(shù)據(jù)為2006～2020年天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)以及我國(guó)天然氣實(shí)際進(jìn)口量的歷史數(shù)據(jù)，數(shù)據(jù)來源于歷年 《中國(guó)統(tǒng)計(jì)年鑒》和 《BP世界能源統(tǒng)計(jì)年鑒》（其中2020年進(jìn)口數(shù)據(jù)受新冠肺炎疫情影響較小，未造成整體進(jìn)口趨勢(shì)變化），預(yù)測(cè)評(píng)價(jià)指標(biāo)數(shù)據(jù)如表4所示。

表4 2006～2020年預(yù)測(cè)指標(biāo)的歷史數(shù)據(jù)

在天然氣進(jìn)口量預(yù)測(cè)之前，需要獲取各個(gè)指標(biāo)的預(yù)測(cè)值，由于指標(biāo)較多，因此選用具有簡(jiǎn)單時(shí)間序列預(yù)測(cè)優(yōu)勢(shì)的ARIMA模型進(jìn)行預(yù)測(cè)。將各指標(biāo)分別帶入遍歷不同參數(shù)的ARIMA（p，d，q）模型［17］。各模型擬合結(jié)果中均方根誤差（RMSE）取值最小的組合視為該指標(biāo)擬合最好的模型［17，18］，并獲取各指標(biāo)2021～2026年的預(yù)測(cè)值，預(yù)測(cè)結(jié)果見表5。

表5 2021～2026年各指標(biāo)預(yù)測(cè)值

4.2 預(yù)測(cè)結(jié)果及分析

將2006～2020年各評(píng)價(jià)指標(biāo)的歷史數(shù)據(jù)作為輸入變量，2006～2020年天然氣實(shí)際進(jìn)口量作為輸出變量，比較3種模型的預(yù)測(cè)擬合精度。將2006～2013年數(shù)據(jù)劃分為訓(xùn)練組，用以訓(xùn)練預(yù)測(cè)模型，2014～2020年數(shù)據(jù)作為驗(yàn)證組，驗(yàn)證模型精度。驗(yàn)證組中擬合值與真實(shí)值的相對(duì)誤差百分比如表6所示。

表6 3種模型天然氣進(jìn)口量擬合結(jié)果對(duì)比

3種模型中SVR模型預(yù)測(cè)誤差最大且波動(dòng)最劇烈，7組擬合數(shù)據(jù)中相對(duì)誤差百分比最小到0.44%，最大至30.19%，此外有4組數(shù)據(jù)的相對(duì)誤差百分比均大于20%。GM（1，N）模型和CNN模型的相對(duì)誤差波動(dòng)較小。選取均方誤差（MSE）、均方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE）3種誤差評(píng)價(jià)指標(biāo)進(jìn)一步對(duì)比3種模型精度。

一般來說，MAPE小于10%，模型被認(rèn)為預(yù)測(cè)精度較高［19］，且MSE和RMSE的數(shù)值越小，模型誤差越小、精度越高。從表7結(jié)果分析，CNN模型3個(gè)誤差評(píng)價(jià)指標(biāo)的數(shù)值均最小，其次是GM（1，N）模型，數(shù)值最大的是SVR模型，同時(shí)CNN模型的MAPE值小于10%，GM（1，N）和SVR模型的MAPE值均大于10%。由此可見，CNN模型的預(yù)測(cè)精度較高，用此模型預(yù)測(cè)的未來天然氣進(jìn)口值最富參考價(jià)值。下面將表5中各評(píng)價(jià)指標(biāo)預(yù)測(cè)值帶入訓(xùn)練好的CNN模型中，得到2021～2026年天然氣進(jìn)口量預(yù)測(cè)結(jié)果，如表8所示。

表7 3種模型預(yù)測(cè)誤差對(duì)比

表8 2021～2026年天然氣進(jìn)口量預(yù)測(cè)結(jié)果

預(yù)測(cè)結(jié)果表明，2021～2026年我國(guó)天然氣進(jìn)口趨勢(shì)與歷史數(shù)據(jù)保持一致，進(jìn)口量持續(xù)增加；進(jìn)口增速緩慢下降，整體增速波動(dòng)較小，均在10%以內(nèi)；2026年，天然氣進(jìn)口量首次突破2000億立方米。從我國(guó)能源政策來看，與供應(yīng)可靠性不穩(wěn)定的新能源相比，天然氣仍是未來調(diào)整能源消費(fèi)結(jié)構(gòu)、實(shí)現(xiàn) “碳達(dá)峰”目標(biāo)的 “主力軍”，天然氣進(jìn)口需求仍會(huì)持續(xù)增加。結(jié)合國(guó)際能源背景分析，各天然氣出口國(guó)積極響應(yīng) “碳達(dá)峰”號(hào)召，天然氣出口量上升，我國(guó)作為最大的油氣資源消費(fèi)國(guó)，是能源出口國(guó)爭(zhēng)先合作的對(duì)象。在我國(guó)主要的天然氣進(jìn)口來源國(guó)中，俄羅斯表示將增加向中國(guó)出口天然氣的總量，并加強(qiáng)綠色低碳領(lǐng)域的合作，發(fā)展更為緊密的能源聯(lián)盟，哈薩克斯坦、土庫(kù)曼斯坦、卡塔爾、烏茲別克斯坦等國(guó)也明確表示將加強(qiáng)與中國(guó)在天然氣、可再生能源領(lǐng)域的合作，因此未來中國(guó)的天然氣進(jìn)口體量上升是大勢(shì)所趨。

同時(shí)，風(fēng)電、光伏發(fā)電等在政策扶持下具備了一定的市場(chǎng)競(jìng)爭(zhēng)性，綠色低碳能源政策的導(dǎo)向使風(fēng)電、光能等清潔能源所占比重有所上升，國(guó)內(nèi)能源政策將推動(dòng)可再生能源替代計(jì)劃，完善綠色低碳轉(zhuǎn)型體制機(jī)制，氫能等可再生能源或許會(huì)成為未來能源政策的另一重點(diǎn)，除此之外，我國(guó)對(duì)頁(yè)巖氣開發(fā)的重視和開采技術(shù)的進(jìn)步促使國(guó)內(nèi)天然氣產(chǎn)量增加，這些在一定程度上緩解了天然氣進(jìn)口端的供應(yīng)壓力，因此天然氣進(jìn)口增速呈下降趨勢(shì)。

5 結(jié)論與政策建議

天然氣進(jìn)口預(yù)測(cè)受到多種因素影響，本文從天然氣自身特殊性和當(dāng)下能源背景考慮，并結(jié)合曲線投影尋蹤動(dòng)態(tài)聚類的方法，確定了具有客觀性的天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系。構(gòu)建3種機(jī)器學(xué)習(xí)模型并對(duì)比天然氣進(jìn)口量的擬合精度，選取最優(yōu)模型進(jìn)行最終預(yù)測(cè)。綜合結(jié)論有以下幾點(diǎn)：

（1）利用曲線投影尋蹤動(dòng)態(tài)聚類模型構(gòu)建天然氣進(jìn)口預(yù)測(cè)評(píng)價(jià)指標(biāo)體系，并深入挖掘了各因素對(duì)天然氣進(jìn)口量的影響程度。其中能源消費(fèi)結(jié)構(gòu)中天然氣消費(fèi)占比是影響天然氣進(jìn)口量的最主要驅(qū)動(dòng)因素。其次是城鎮(zhèn)人口數(shù)量和天然氣使用人數(shù)，從居民用氣需求角度解釋其對(duì)天然氣進(jìn)口需求的影響。最后天然氣對(duì)外依存度、煤炭消費(fèi)占比以及國(guó)內(nèi)生產(chǎn)總值也對(duì)天然氣進(jìn)口產(chǎn)生了一定影響。

（2）CNN模型具有極強(qiáng)的數(shù)據(jù)處理能力，且避免了訓(xùn)練時(shí)間長(zhǎng)和出現(xiàn)過擬合的情況，是性能較高的機(jī)器學(xué)習(xí)模型，通過與GM（1，N）模型和SVR模型對(duì)天然氣進(jìn)口預(yù)測(cè)擬合結(jié)果的對(duì)比，也顯示出其精度更優(yōu)、擬合誤差更小的優(yōu)勢(shì)。因此用CNN模型預(yù)測(cè)出的天然氣進(jìn)口結(jié)果具有參考價(jià)值。

（3）預(yù)測(cè)結(jié)果顯示，2021～2026年天然氣進(jìn)口增速在逐步減緩，但天然氣進(jìn)口量仍不斷攀升，預(yù)計(jì)2026年天然氣進(jìn)口量突破2000億立方米。在未來發(fā)展中應(yīng)重視我國(guó)天然氣進(jìn)口能力的提升，避免出現(xiàn)天然氣短缺等能源供應(yīng)問題，同時(shí)采取措施降低天然氣對(duì)外依存度。

以上結(jié)論對(duì)國(guó)家制定相關(guān)能源政策、規(guī)劃天然氣進(jìn)口策略、實(shí)現(xiàn) “碳達(dá)峰”、“碳中和”目標(biāo)等方面提供了一定的參考價(jià)值，基于研究結(jié)論，本文提出以下建議：（1）未來發(fā)展中要健全以天然氣為導(dǎo)向的能源政策，繼續(xù)發(fā)揮天然氣在我國(guó)能源轉(zhuǎn)型中的支撐作用，發(fā)揮天然氣在氫氣等新能源發(fā)展中的 “孵化器”作用，助力實(shí)現(xiàn) “雙碳”目標(biāo)；（2）合理調(diào)配天然氣資源。優(yōu)先保障居民用氣，嚴(yán)格控制產(chǎn)能過剩工業(yè)的天然氣用量，提高天然氣利用的社會(huì)價(jià)值，在生產(chǎn)、運(yùn)輸、使用過程中嚴(yán)格控制天然氣的排放和使用泄漏量，確保天然氣的利用效率；（3）加快天然氣管道建設(shè)，加強(qiáng)天然氣進(jìn)口能力。截至2020年，我國(guó)管道天然氣進(jìn)口量占天然氣進(jìn)口總量的32%，遠(yuǎn)低于液化天然氣進(jìn)口量，通過管道運(yùn)輸?shù)奶烊粴饬窟€遠(yuǎn)不及充分利用管線所能達(dá)到的產(chǎn)能。因此，加快管道建設(shè)，增加管道運(yùn)輸量有助于增強(qiáng)我國(guó)天然氣進(jìn)口能力；（4）推進(jìn)天然氣基礎(chǔ)設(shè)施建設(shè)，在天然氣的長(zhǎng)期規(guī)劃中，要加快建立儲(chǔ)氣設(shè)施，增強(qiáng)調(diào)峰能力以應(yīng)對(duì)出現(xiàn)天然氣實(shí)際進(jìn)口量低于預(yù)測(cè)進(jìn)口量以及季節(jié)性的供需不平衡等情況； （5）增強(qiáng)資源勘探力度，加大科技成本投入，升級(jí)我國(guó)天然氣開采技術(shù)，做到常非并重、海路并舉。“雙碳”目標(biāo)下既要增加天然氣在能源消費(fèi)結(jié)構(gòu)的比重，實(shí)現(xiàn)能源結(jié)構(gòu)轉(zhuǎn)型，又要求降低天然氣對(duì)外依存度，破解難題的關(guān)鍵舉措在于增加我國(guó)天然氣產(chǎn)量。