LPG需求量的影响因素分析及应用研究

杨新顺

摘 要：LPG广泛应用于生产生活多个领域，在国民经济发展中扮演越来越重要角色，对LPG需求量的预测是相关企业制定市场开发、经营决策的重要参考因素，也是提升LPG供应安全、降低经营风险的重要措施。论文分析了LPG需求的内在机理，进行影响LPG消费量的主成分因素分析，通过SPSS软件提取了LPG价格指数、WTI价格、美元汇率、工业生产价格指数4个主成分因素，可应用于LPG消费量预测工作中，为相关企业制定LPG经营策略提供参考。

关键词：LPG；需求量；预测模型；主成分提取；SPSS

中图分类号：F2     文献标识码：A      doi：10.19311/j.cnki.16723198.2024.04.004

0 引言

液化石油气（简称LPG，主要成分为C3和C4）属于油气副产品，广泛应用于工业深加工、民用燃烧及商业等领域，因其产品属性，在很多领域与天然气形成互补，是乡镇燃气的重要组成部分，在陶瓷玻璃制品、种植业保温、除草杀虫、畜牧养殖等乡村振兴中扮演不可替代的作用。此外，LPG作为原料气广泛供应给多种类型的工业深加工项目。我国液化石油气年需求量约7000万吨，已成为世界第一大消费国。

LPG市场是高度开放的完全竞争性市场，准入门槛低，经营主体多，市场价格几乎每日调整。目前，对LPG消费量的预测主要采用时间序列法、指数平滑法、弹性系数法等，以某个或多个因素来构建预测模型，建立因素与消费量间的函数关系并进行预测分析，这些方法缺乏对LPG消费量所涉因素的有效论证。而计量分析方法等数据分析方法缺乏经济学解释，没有考虑到LPG的市场经营特点。基于此，需要在数据分析基础上，对LPG消费量进行影响因素的经济原理解释和系统性分析，属复杂的非线性系统问题。论文采用主成分提取方法，挖掘影响LPG需求的关键因素。

1 需求量预测方法

目前关于需求量预测的方法很多，例如BP神经网络在分类、函数逼近、识别学习、回归等分析中有着广泛应用，它由输入层、隐含层及输出层组成，通过模拟生物神经系统功能和结构进行信息处理，BP神经网络具有较强的自学习功能，在复杂性、系统性问题研究中具有较强优势，可自动适用输入要素所给予的环境，并通过全局逼近实现预测值与实际值的最小差异。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，对各因素对目标值的影响程度进行评估，并且有效地消除因素的重叠影响能力，应用主成分去挖掘LPG需求量的影响因素较为合理。

在进行LPG消费量需求量预测时，输入层为LPG影响因素的主成分要素，隐含层由多个隐含节点构成，输出层为LPG消费量。网络结构的设计充分考虑LPG消费量影响因素，通过并行处理能力、自学习自适应能力，对LPG消费量影响因素进行非线性映射、优化算法，经过多代训练，逐渐缩小误差，并控制在目标范围内，最终构建出LPG消费量预测神经网络模型，训练成熟的模型可应用到后期的消费量预测中。

主成分因素输入后，输入层接受到输入信息，通过所设置的训练函数获得输出结果，输入信息经过隐含层逐层处理并传递给输出层，输出层输出结果与实际输出值进行比较，若不符合要求则进行误差反向传递，由输出层向输入层逐层修正各层连接权值，通过不断传输修正，使误差逐渐缩小至可接受程度，完成训练，此时所對应的模型及其各层连接权值即满足需要。

2 LPG消费量影响因素提取分析

2.1 数据选样

LPG的价格变化与成品油价格波动存在较强关联性，国家发改委要求LPG出厂最高价与成品油价格保持稳定的比例关系，由于成品油调价周期与LPG价格波动周期不符，故无法选择成品油价格作为影响因素，成品油价格变化受国际油价传导，因此，可以将LPG价格波动与国际油价、美元汇率波动进行关联，故可选择这两个参数研究。

LPG在燃料动力、有色金属、化工原料、工业用气、车用等重要领域有着广泛用途，LPG消费量大小反映了这些需求产业的经营情况和活跃程度，LPG消费量作为这些行业的生产成本组成部分，影响其工业产品出厂价格，因此可选择工业生产价格指数（PPI）进行分析。此外，LNG在一定程度上可替代LPG，例如车用燃气、民用燃气等，二者存在较强的关联性，故LNG出厂价也是重要考虑因素。在实际经营过程中，LPG消费量还受物流条件影响，除传统槽车运输外，LPG水运规模逐渐增大，随着国际贸易需求的不断加大，水运贸易往来频繁，物流响应速度快，市场化程度高，对LPG的供应及其消费有着直接影响。

综上分析，选择WTI、美元汇率、PPI、LPG全国价格指数、LNG出厂价、LPG水运量进行因素分析，数据以月度统计为准，参照国家统计局等官方数据等行业公开数据，选择2016年1月至2023年3月月度平均数据，进行主成分提取，结果如表1所示。

通过主成分分析，提取前4个关键因素，累计贡献值为99.047%，超过95%，符合贡献值要求，所选择4个关键因素为LPG全国价格指数、WTI、美元汇率、PPI。

2.2 数据处理

为降低不同参数量纲及数据数量级大小不同对模型的设计造成的负面影响，需对LPG全国价格指数、国际油价WTI、美元汇率、PPI数据进行归一化处理，处理公式为：

xij-min（xij）max（xij）-min（xij）（公式1）

其中：

xij—第i主成分因素在第j时间的数值；

max（xij—第i主成分因素在指定时间内的最大值；

min（xij）—第i主成分因素在指定时间内的最小值。

通过归一化处理，将所有因素数值控制在[0，1]之间，避免不同因素因量纲不同而影响模型构建及结果。

2.3 模型构建

归一化处理后的数据可应用到模型构建中，通过主成分因素构建神经元，输入分量pij（i=1，2，3，4；j=1，2，…，n），通过与权值分量wij（i=1，2，3，4；j=1，2，…，n）相乘，构建输出函数Yj：

Yj=f（∑ni=1wijpij-θj）（公式2）

其中，θj——j的阈值；f为激活函数。

计算得出输出项，并与实际输出项进行比较相减，得到误差函数为：

rj=y′j（1-y′j）∑rj+1wj（j+1）（公式3）

其中，rj为下层节点j+1对应的误差值大小，wj（j+1）是连接节点j及节点（j+1）的加权链的权值，是可调整的参数，根据输入输出误差值比较情况进行反馈调整，调整公式为：

wj（j+1）=wj（j+1）+μ·rj+1·y′j（公式4）

其中，y′j表示输出值，隐含层节点输出公式为：

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

输出层节点输出公式为：

y′j=（1+e-∑wijxi-θj）-1（公式6）

输出值y′j与实际值yj进行比较，得出全局均方差E，其计算公式为：

E=12∑Nj=1（yj-y′j）2（公式7）

若全局均方差E高于设定误差目标值，则模型自动反馈至输入项进行重新模拟计算，通过修改权值分量wij继续训练，得出新的输出项，新的输出项继续与目标值进行比较，若高于误差范围，进行反馈训练。不断训练后，当均方差满足设定的误差目标值时，即完成训练和模型构建。

2.4 模型训练及结果分析

应用Matlab软件进行样本训练，分别选择logsig、purelin作为传递函数，以trainlm作为训练函数，以learngdm 作为学习函数，通过网络训练，发现当隐含节点数为8时的均方差最小（应用经验公式时隐含节点同样为8），故论文选择8作为LPG消费量预测BP神经网络的隐含节点数。设定目标误差值为0.1%，通过反复训练，得到满足要求的权值分量wij并完成模型设计和训练，误差曲线如图1所示。

為了对模型训练效果进一步验证，选择2023年4月至2023年6月三个样本作为检测项，输入该时间段4个主成分因素的实际值，通过训练确认的BP神经网络进行预测，预测结果如表2所示。

预测结果显示，通过对主成分因素的提取并构建神经网络模型，经过多代训练，所预测的数据与实际值误差率都在0.5%范围内，预测精度高，模型的结构设计、运行及效果皆可满足预测工作需要。

3 思考和建议

论文首先应用SPSS软件进行主成分分析，对诸多LPG消费量影响因素进行主成分提取，筛选了贡献值超过99%的4个关键要素，得出关键影响因素，可以基于此开展统计分析和预测分析工作，得出以下结论：

（1）论文通过主成分提取，挖掘了LPG全国价格指数、国际油价WTI、美元汇率、PPI这4个影响LPG消费量主要因素，考虑到实际经营环境的变化，在选取主要因素时需要动态考虑，结合当时情况动态调整。

（2）影响LPG消费量的因素很多，部分因素在不同条件下的贡献值会改变，在实际经营管理工作中，挖掘的因素越多越好，且需要把握市场时机，在不同时机的主要因素也会不同，需要不断地进行主成分分析，更加准确地开展预测及评估工作。

（3）虽然主成分可有效提取超过95%的影响力，但实际工作中仍不能忽略那些低影响程度的因子，LPG的经营行为除了受市场因素影响外，也受人为因素干扰，有可能通过人为干扰将不重要因素放大，甚至造成突发情况带来市场大幅异常波动，因此在实际经营工作中需综合考虑，抓住主要因素且不忽略次要因素。

参考文献

［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：清华大学出版社，2007.

[3]董长虹.Matlab 神经网络与应用[M].北京：国防工业出版社，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.