油价涨跌计算方法_油价函数公式计算

1.为缓解油价上涨给出租车待业带来的成本压力，某巿自2007年11月17日起，调整出租车运价，调整方案见下列表

2.实证结果分析与讨论

3.excel中单元格内的值有阿伯数字与汉字，如何用函数或者别的方法提取（或者分裂）出其中的数字部分？

4.EXCEL的问题，求一个宏可以解决下面的问题

5.预测方法体系

为缓解油价上涨给出租车待业带来的成本压力，某巿自2007年11月17日起，调整出租车运价，调整方案见下列表

实证结果分析与讨论

4.4.3.1 WTI和Brent市场收益率的统计特征

令WTI和Brent市场第t日的石油价格分别为P1,t和P2,t，则WTI和Brent市场第t日的对数收益率分别为Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），从而各得到4943个收益率样本。图4.20是两个市场所有样本收益率的走势图，不难发现，两个收益率序列均存在明显的波动集聚性。

图4.20 WTI和Brent市场原油现货收益率走势

WTI和Brent两个市场样本内收益率的基本统计特征如表4.17所示。总体而言，两个市场的收益率的平均水平和波动水平都非常接近，这也可以从图4.20上得到印证。同时，与标准正态分布的偏度为0、峰度为3相比，本节两个市场收益率的偏度为负（即呈现左偏现象），峰度远大于3，因此它们均具有尖峰厚尾的特征，而且从JB检验的结果也能看到收益率序列显著不服从正态分布。而对收益率序列进行自相关性LB 检验时，根据样本容量，选择滞后阶数为 ，检验结果表明它们均具有显著的自相关性。另外，通过AD F单位根检验，发现它们都是平稳序列。

表4.17 WTI和Brent市场收益率的基本统计特征

4.4.3.2 WTI和Brent市场收益率的GARCH模型估计

（1）WTI市场收益率的GARCH模型估计

为了滤掉收益率序列的自相关性，本节引入ARMA模型对收益率序列建模。根据自相关和偏自相关函数的截尾情况，并按照AIC值最小原则，经过多次尝试，发现ARMA（1,1）模型比较合适。对ARMA（1,1）模型的残差序列进行自相关性Ljung-Box检验，从自相关分析图上看到，残差序列的自相关系数都落入了随机区间，自相关系数的绝对值都小于0.1，与0没有明显差异，表明该残差序列是纯随机的，换言之，ARMA（1,1）模型很好地拟合了原有收益率序列。

鉴于WTI市场收益率序列存在明显的波动集聚性，因此，本节对ARMA（1,1）模型的残差进行ARCH效应检验，结果发现存在高阶ARCH效应，因此考虑采用GARCH模型。由于收益率序列存在厚尾现象，因此本节在GARCH 模型中引入GED 分布来描述模型的残差。根据AIC 值最小的原则以及模型系数要显著和不能为负的要求，通过比较GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本节选择GARCH（1,1）模型来拟合原有收益率序列。

为了进一步研究WTI收益率序列的波动特征，本节检验了TGARCH（1,1）和GARCH-M（1,1）模型。结果发现，收益率序列存在显著的TGARCH效应和GARCH-M 效应，即收益率的波动不但具有显著的不对称特征，而且还受到预期风险的显著影响。考虑到模型的AIC值要最小，以及为了描述收益率波动的不对称性，本节选择TGARCH（1,1）模型对WTI市场收益率的波动集聚性建模，模型形式如式4.16。另外，我们看到模型的GED分布参数为1.260823，小于2，从而验证了该收益率序列的尾部比正态分布要厚的特征，也为本节接下来进一步准确计算WTI市场的风险铺垫了良好的基础。

WTI市场收益率的TGARCH（1,1）模型为

国外油气与矿产资源利用风险评价与决策支持技术

式中：ε1,t-1﹤0,d1,t-1=1；否则，d1,t-1=0;

Log likelihood=11474.52,AIC=-4.898557,GED参数＝1.260823

从模型的方差方程看到，油价收益率下跌时， 对h1,t的影响程度为α1＋Ψ，即0.057202；而油价上涨时，该影响程度为α1，即0.083559，约为前者的1.5倍。h1,t-1前的系数为0.920539，接近1，表明当前方差冲击的92.0539%在下一期仍然存在，因此波动冲击衰减速度较慢，波动集聚现象比较严重。而检验TGARCH（1,1）模型的残差时发现，其自相关函数都在随机区间内，取阶数为68时，残差的Q统计量的显著性概率大于20%，而Q2统计量的显著性概率大于30%，因此经TGARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此TGARCH（1,1）模型对WTI市场收益率序列的拟合效果较好。

（2）Brent市场收益率的GARCH模型估计

基于Brent市场收益率的波动特征，按照与WTI市场GARCH 模型类似的建模思路，建立了MA（1）模型。而利用ARCH-LM检验方法发现模型的残差存在显著的高阶ARCH效应，因此采用基于GED分布的GARCH模型。比较GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有关系数的显著性，发现选择GARCH（1,1）模型是最合适的，具体形式如（式4.17）。进一步，对收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，结果表明，有关系数并不显著，因此说明Brent市场收益率的波动并不存在显著的不对称杠杆效应，也不存在显著的GARCH-M效应。而且，我们也发现GED分布的参数小于2，因此验证了Brent市场收益率同样具有厚尾特征。

Brent市场收益率的GARCH（1,1）模型为

国外油气与矿产资源利用风险评价与决策支持技术

Log likelihood=11697.19,AIC=-4.993462,GED参数＝1.324630

在模型的方差方程中，h2,t-1前的系数为0.912673，表示当前方差冲击的91.2673%在下一期仍然存在。可见，与WTI市场类似，Brent市场同样存在波动冲击衰减速度较慢的现象。检验模型的残差，发现其自相关函数都在随机区间内，取阶数为68时，标准残差的Q统计量的显著性概率大于50%，而Q2统计量的显著性概率大于20%，因此经GARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此GARCH（1,1）模型对Brent市场收益率序列的拟合效果也较好。

图4.21给出了两个市场的条件异方差的走势，分别代表着它们的波动水平。从图中看到，一方面，两个市场收益率的波动水平基本相当，只是在某些区间WTI市场的波动会更大一些。当然，在海湾战争期间，Brent市场的波动程度相比而言更剧烈一点；另一方面，两个市场都存在一个明显的现象，那就是在波动比较剧烈的时期，其条件方差最高可达一般水平的20倍以上，这种波动的大规模震荡不但说明了国际石油市场存在显著的极端风险，而且对于市场波动和风险的预测具有重要的现实意义。

图4.21 WTI和Brent市场的条件异方差比较

4.4.3.3 WTI和Brent市场收益率的VaR模型估计和检验

正如前文所述，石油市场需要同时度量收益率下跌和上涨的风险，从而为石油生产者和采购者提供决策支持。为此，本节将采用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量WTI和Brent市场在收益率上涨和下跌时的VaR 风险值。

（1）GED分布的分位数确定

根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数，如表4.18所示。表中结果显示，95%的分位数与正态分布的1.645基本相同；但99%的分位数却明显大于正态分布的2.326，这也表明了国际油价收益率具有严重的厚尾特征。

表4.18 WTI和Brent市场收益率的GED分布参数及分位数

（2）基于GED-GARCH模型的VaR风险值计算

根据VaR风险的定义，我们得到以下两个计算VaR风险的公式。其中上涨风险的VaR值计算公式为

国外油气与矿产资源利用风险评价与决策支持技术

式中；zm,α﹥0，表示第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的分位数；hm,t为第m个市场的收益率的异方差。

同理，得到下跌风险的VaR值计算公式为

国外油气与矿产资源利用风险评价与决策支持技术

根据上述两个VaR风险计算公式，本节计算了在95%和99%的置信度下，WTI和Brent市场的上涨风险和下跌风险（表4.19，表4.20）。

表4.19 WTI市场收益率的VaR计算结果

表4.20 Brent市场收益率的VaR计算结果

从表4.19和表4.20的实证结果看到，第一，除95%的置信度下市场收益率上涨风险的LR值略大于临界值外，其他所有LR统计量的值均小于相应的临界值，因此按照Kupiec的返回检验方法，可以认为基于GED分布的TGARCH模型和GARCH模型基本上能够充分估计出两个市场收益率的VaR风险值。从市场收益率与VaR风险值的走势也可以看到这一点（图4.22）。第二，在99%的置信度下，两个市场的VaR 模型对收益率的上涨风险比对收益率的下跌风险的估计精度都更高，这可能是由于收益率分布的左尾比较长，GED分布尚未完全捕捉到所有的厚尾现象。而在95%的置信度下，对下跌风险的估计精度更高。第三，从VaR的均值来看，在相同的置信度下，不管收益率是上涨还是下跌，WTI市场的VaR值都要比Brent市场对应的VaR 风险值大，因此需要更多的风险准备金。当然，从图4.23的VaR 风险走势可以发现，事实上，两个市场的VaR风险基本上相差不大，只是在某些样本区间内，WTI市场的风险会超过Brent市场。

图4.22 99%的置信度下Brent市场的收益率及其VaR风险值

图4.23 99%的置信度下WTI和Brent市场收益率上涨和下跌时的VaR风险值

（3）VaR模型比较

在采用GARCH模型计算市场收益率的VaR 风险值时，一般都假设模型的残差服从正态分布，从而直接令zm,α等于标准正态分布的分位数。但实际上，石油市场的收益率及其模型残差一般都是非正态分布的，因此得到的VaR 模型往往不够充分。为此，本节以99%的置信度为例，建立了基于正态分布分位数的VaR 模型，计算结果如表4.21所示，并与表4.19和表4.20中VaR模型的有关结果进行比较。

表4.21 基于正态分布分位数的VaR模型计算结果

结果表明，从VaR均值上看，基于正态分布的VaR模型在两个市场、两个方向（即上涨和下跌）上计算得到的VaR风险值均比基于GED分布的VaR 模型的相应结果要靠近零点，这从模型失效次数的比较上也能得到验证。再者，由于表4.21中的失效次数均超过了99%的置信度下临界处的失效次数（约为47），因此此时的计算结果低估了市场的实际风险。

而按照Kupiec的返回检验方法，可看出与99%置信度下的临界值6.64相比，不管是WTI市场还是Brent市场，不管是上涨还是下跌方向，采用基于正态分布分位数的VaR模型计算市场风险基本上都不够合理。其中，尽管WTI市场的上涨风险计算结果基本上可以接受，但与表4.19中对应的LR值相比，发现后者更加充分而准确。因此，总体而言，采用基于GED分布的VaR模型要比基于正态分布的VaR模型更充分而合适，得到的结果更可取。

当然，在95%的置信度下，基于正态分布和GED分布的VaR模型的LR值几乎一样，都是比较充分的。这是由于它们的分位数几乎是一样的，均为1.645左右。

另外，本节通过计算还发现，如果在建立GARCH模型时假设残差服从正态分布，而计算VaR时又选择一般所采用的正态分布分位数，则得到的VaR模型不管是哪个市场、哪个方向的风险都将很不充分，而先前很多研究往往就是这么做的。

（4）VaR模型的预测能力

从上述分析中可以看到，基于GED-GARCH的VaR模型能够较好地估计和预测样本内数据。为了更加全面检验这种VaR模型的预测能力，接下来本节以95%的置信度为例，采用它来预测样本外数据的VaR风险值，并与样本外的实际收益率数据进行比较。结果发现，在WTI和Brent市场上，落在预测得到的正向VaR和负向VaR之间的实际收益率占整个样本外预测区间所有收益率的比例均为95.76%，接近95%；相应的LR值为0.3409，小于95%置信度下的临界值3.84，因此是可以接受的（图4.24，图4.25）。换言之，根据样本内数据建立的VaR 模型用于预测样本外数据的VaR风险时，其预测能力是可以接受的。另外，为了比较，本节也采用了广受好评的H SAF方法建立模型，并预测了样本外数据的VaR风险，但检验却发现其在此处的预测结果并不理想。因为不管是WTI市场还是Brent市场，落在预测得到的正向VaR和负向VaR之间的收益率占整个预测区间所有收益率的比例均为91.92%，离95%较远；相应的LR统计量为4.40，大于临界值，因此应该拒绝原假设，即认为在此处采用HSAF方法预测市场VaR风险并不妥当。

图4.24 95%的置信度下WTI市场的样本外实际收益率与预测VaR值

图4.25 95%的置信度下Brent市场的样本外实际收益率与预测VaR值

4.4.3.4 WTI与Brent市场风险溢出效应检验

得到WTI和Brent两个市场的收益率上涨和下跌时的VaR风险值之后，本节根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过MATLAB编程求出统计量的值及其显著性概率，从而检验两个石油市场之间的单向和双向风险溢出效应。计算结果如表4.22所示，其中M分别取10,20和30。

表4.22 WTI与Brent市场风险溢出效应检验结果

从表4.22看到，一方面，在95%和99%的置信度下，不管是上涨风险还是下跌风险，WTI和Brent市场都具有显著的双向Granger因果关系，即两个石油市场之间存在强烈的风险溢出效应；另一方面，为了进一步确定风险溢出的方向，我们从利用单向风险－Granger因果检验的统计量Q1（M）计算得到的结果看到，不管置信度是95%还是99%，不管是上涨风险还是下跌风险，都存在从WTI到Brent市场的风险溢出效应。而若Brent到WTI市场的风险溢出情况稍微复杂，在95%的置信度下，只存在收益率下跌方向的风险溢出，而收益率上涨时并不存在；在99%的置信度下，情况则相反，只存在收益率上涨方向的风险溢出，而不存在下跌方向的风险溢出效应。前者可能是由于95%的置信度下收益率上涨方向的VaR 模型不够充分导致，而99%的置信度下VaR模型是非常充分的，因此后者更为可信。换言之，可以认为在99%的置信度下，不存在从Brent市场到WTI市场的风险溢出效应。

这表示，当市场出现利空消息从而导致油价收益率下跌时，WTI市场的风险状况有助于预测Brent市场的风险，而反之不然。当市场出现利好消息从而导致油价收益率上涨时，两个市场的风险的历史信息均有助于预测彼此未来的市场风险。这对有关政府和企业的科学决策具有一定的借鉴意义。

excel中单元格内的值有阿伯数字与汉字，如何用函数或者别的方法提取（或者分裂）出其中的数字部分？

A1中是 2345和平

B1=LEFT(A1,LEN(A1)*2-LENB(A1))

A1中是 和平2345

B1=RIGHT(A1,LEN(A1)*2-LENB(A1))

EXCEL的问题，求一个宏可以解决下面的问题

假设A列为日期，B列为价格

增加C列为周，D列为月，E列为年

C2=TEXT(A2-WEEKDAY(A2,2),"yyyymmdd")&"-"&TEXT(A2-WEEKDAY(A2,2)+7,"yyyymmdd")

D2=TEXT(A2,"yyyymm")

E2=TEXT(A2,"yyyy")

增加F列为周均价，G列为月均价，H列为年均价

F2=AVERAGEIF(C:C,C2,$B:$B)

G2=AVERAGEIF(D:D,D2,$B:$B)

H2=AVERAGEIF(E:E,E2,$B:$B)

C列-H列下拉到底

然后做数据透视表就可以了

预测方法体系

油气资源储量、产量增长趋势预测的方法大致可以划分为四大类:一是专家评估法;二是统计法，包含时间序列数学模型法和工作量数学模型法;三是类比法;第四类是综合预测法。

一、专家评估法

(一)基本原理

专家评估法是指预测者制作油气资源趋势预测表格，分发给熟悉业务知识、具有丰富经验和综合分析能力的专家学者，让他们在已有资料的基础上，运用个人的经验和分析判断能力，对油气资源的未来发展作出性质和程度上的判断，然后经过分析处理，综合专家们的意见，得到预测结果。

(二)实施步骤

1.设计油气资源趋势预测表格

预测表格主要包含油气储量、产量高峰值及持续时间的预测，以及每五年的平均储量发现和产量情况(表4-1-1)。

2.将表格分发给专家进行预测

选择对我国油气资源状况比较了解，有较高理论水平和丰富实践经验，在油气资源评价和战略研究方面卓有成效的专家学者。将表发给专家，并附以相关资料，请专家对表中所列事项作出预测与评价，并给出预测依据。

3.预测结果的分析整理

用统计方法综合专家们的意见。把各位专家的预测结果予以综合、整理、分析，并将结果以图表的形式表现出来。

表4-1-1 发现趋势专家评估法预测表

二、统计法

统计法主要依据已知的油气储量、产量数据，采用各类数学模型，进行历史数据的拟合，并预测未来的发展趋势。统计法包括时间序列法、勘探工作量数学模型法、递减曲线分析法、储量—产量历史拟合法和储量—产量双向平衡控制模型法等(表4-1-2)。

三、类比法

(一)方法原理

所谓类比法是指开展低勘探程度盆地的油气储量、产量趋势预测时，以勘探程度较高的盆地作为类比对象，依据预测盆地与类比盆地在盆地类型和油气地质条件的相似性，假设预测盆地投入充足勘探开发工作量的情况下，未来一个时间段内能够发现的油气储量和达到的产量。类比法可分为探明速度类比法和图形类比法。

表4-1-2 油气资源发现趋势预测统计法模型分类表

(二)方法种类

1.速度类比法

以盆地类型为主要划分依据，分别选取松辽、鄂尔多斯、渤海湾、二连、准噶尔、柴达木、吐哈、酒泉、塔里木、苏北和百色盆地作为石油储量发现和产量增长的类比盆地，选取四川、鄂尔多斯、塔里木、吐哈、柴达木、松辽、渤海湾、南襄和百色盆地作为天然气储量发现和产量增长的类比盆地。依据各盆地油气资源的探明程度与采出程度，将以上盆地的勘探开发阶段划分为早期、中期和后期，不同阶段具有不同的油气地质储量的探明速度和可采储量的采出速度。对低勘探程度盆地进行油气资源趋势预测时，给定油气储量发现和开始具有产量的起点，类比高勘探程度盆地的探明速度和采出速度，预测出未来某一时间单元内(2006～2030年)该盆地油气储量探明状况和产量增长状况。

2.图形类比法

图形类比法是假设在有充足的勘探开发工作量基础上，预测盆地和类比盆地具有相似的勘探发现历程与产量增长过程，预测盆地可类比高勘探程度盆地的储量发现和产量增长曲线，使用类比盆地的模型参数以及预测盆地的资源量数据，即可得到预测盆地油气资源趋势预测曲线，进而得到2006～2030年储量和产量的数据。

按照类比标准表所选取的盆地，使用龚帕兹模型分别进行储量和产量数据曲线的拟合，得到40个储量类比图形和产量类比图形，以及相应的图形参数a、b。

(三)实施步骤

(1)建立类比标准表:选取勘探程度较高的盆地作为类比盆地，按照盆地类型进行分类，将各盆地的储量发现和产量增长划分为不同的阶段，统计计算各阶段的储量探明速度和产量增长速度，制作类比标准表。

(2)建立类比图形库:根据作为类比盆地的高勘探程度盆地的储量、产量历史数据，用龚帕兹模型进行曲线拟合，得到控制图形形状的参数a和b，分别拟合类比标准表中各盆地的储量和产量曲线，建立类比图形库。

(3)为预测盆地选择合适的类比盆地:预测盆地与类比盆地的盆地类型、地层时代、储层岩性相近，油气地质条件可以类比。

(4)按照类比标准表分别给各预测盆地储量探明速度和产量增长速度赋值，并按盆地实际情况选择对应的持续时间，得到2006～2030年预测盆地累计探明程度、储量以及累计产量。

(5)将预测盆地的资源量和类比盆地的参数a和b代入龚帕兹公式，得到预测盆地的储量发现和产量增长曲线。

(6)以探明速度和产出速度类比法为主，并考虑图形类比法得到的预测结果，对预测盆地2006～2030年油气资源发现趋势进行综合分析。

四、综合预测法

(一)方法原理

综合预测法是指以盆地或预测区的资源潜力为预测基础，分析其勘探开发历程，依据目前所处的勘探开发阶段，确定其未来储量、产量可能出现的高峰值及时间，使用多旋回哈伯特模型，采用储采比控制的办法，对油气储量、产量进行预测。

1.哈伯特模型

哈伯特模型将油田产量的历史数据与对称的钟形曲线相拟合。哈伯特模型有3个基本的假定:

(1)油田投入开发后，产量从0开始随开发时间的延长而上升，并达到一个或多个高峰值。

(2)产量高峰过后，则随开发时间的延长而下降，直至资源完全衰竭。

(3)当开发时间趋近于无穷时，产量与时间关系曲线下面的面积，等于油田的最终可采储量。

在上述条件下，油气田的产量可用累积产量的二次函数表示，其表达式为:

全国油气储量产量增长趋势预测

式中:Q为油气田产量，104t/年(油田)或108m3/年(气田);Np为累积产量，

104t或108m3;a、b为模型参数。S.M.Al－Fattah和陈元千推导出哈伯特模型的累积产量与开发时间的关系式为:

全国油气储量产量增长趋势预测

式中:NR为最终可采储量，104t或108m3;t为投产后年份，a;t0为开始投产年份，a;c为模型参数。

式(4－2)表示的是累积产量与时间的关系，实际上是逻辑斯谛模型的一种衍生形式。式(4－2)也可表示为:

全国油气储量产量增长趋势预测

式中:tm为产量高峰年份，a。

式(4－3)两边分别对t求导，得到产量与时间的关系式为:

全国油气储量产量增长趋势预测

式中:Qm为油田年产量高峰值，104t或108m3。

由式(4－4)知，当t=tm时， ，即当油气田年产量达到最高年产量(峰值)时，相应的累积产量应等于最终可采储量的50%。

就式(4－4)而言，参数b控制了曲线张口的大小，b值大时，曲线陡峭，张口小，表示预测地区的储量发现或产量增长属于快上快下型，持续时间短，达到高峰后迅速下降;b值小时，曲线平缓，张口大，表明储量或产量平缓增长，高峰时间长，有一个较长的生命周期。

2.多旋回哈伯特模型

多旋回哈伯特模型可表示为:

全国油气储量产量增长趋势预测

式中:i为哈伯特旋回个数;k为哈伯特旋回总数，其他参数同上。

用多旋回哈伯特模型预测石油地质储量和油气产量首先要确定哈伯特旋回的个数，除了已出现的高峰，还要预测将来可能出现的高峰个数，这需要掌握丰富的地质资料和勘探开发历程，并对油气田的未来发展趋势有比较正确的认识;然后通过最小二乘法进行非线性拟合，确定单个哈伯特模型的参数，最后将多条哈伯特曲线叠加得到总的预测曲线。

(二)实施步骤

1.油气储量、产量高峰的基本判断

开展盆地油气储量、产量发展趋势预测是以其油气资源潜力分析为基础的，盆地的资源量和探明程度、产出程度基本上决定了油气未来储量、产量上升或下降的态势。因此，依据盆地目前所处的勘探阶段、资源潜力、历年所发现的储量规模、石油公司的“十一五”规划和中长期发展规划以及专家评估法作出的判断，确定盆地的储量发现高峰是否已过，如果高峰已过，则未来的储量发现将呈现衰减的形势;如果尚未达到高峰，则需要判断高峰出现的时间及高峰值，不同类型盆地的储量高峰所处的勘探阶段不同，但一般出现在探明程度40%～60%时。产量高峰的判断还要考虑油气开发状况，一般比储量高峰晚5～20年。通过专家小组会议确定各盆地的储量、产量高峰。

2.油气储量、产量增长曲线拟合

在确定了盆地储量、产量的高峰后，即可使用多旋回哈伯特或高斯模型进行油气储量、产量曲线的拟合。首先要确定哈伯特旋回的个数，除了已出现的高峰，还要根据未来可能出现的高峰值，选择合适的旋回个数，然后通过最小二乘法进行非线性拟合，精确确定单个哈伯特模型有关高峰值、出现时间及表示曲线形态的参数，最后将多条哈伯特曲线叠加得到总的预测曲线。

3.采用储采比控制储量、产量之间的关系

首先对预测期内的储采比变化趋势进行预测判断，一般而言，高勘探程度盆地的储采比呈现下降趋势，而低勘探程度盆地的储采比在储量发现高峰之前快速上升。然后对盆地的储量、产量进行预测，采用储采比控制法控制储量、产量之间的关系。储采比控制法是在对预测期内新增动用可采储量的预测基础上，用剩余可采储量的储采比作为控制条件进行产量预测的一种方法。预测期历年的新增可采储量，包括老油田提高采收率增加的部分和新增动用储量增加的部分。

(三)方法特点

1.预测依据充分

采用综合预测法进行盆地油气资源趋势预测，不是靠以往数据的趋势外推，而是以盆地的油气资源量为基础，通过潜力分析，定性判断其未来的勘探开发前景。该方法也综合考虑了盆地地质特点、地质理论和勘探开发技术进步、勘探圈闭类型等影响储量、产量增长的内在因素和资源供需形势、油价、政策以及突发事件等外在因素，同时参考了石油公司的“十一五”规划和中长期发展规划以及专家评估法作出的趋势判断。因此，预测依据是十分充分的。

2.发挥了专家经验判断的作用

单纯用统计法进行趋势预测，一个很大的弱点就是预测完全受数学模型的约束，很多专家经验的判断无法在预测中体现。而综合预测法既有数学模型的约束，也有专家经验的体现，实现了主客观相结合的预测思路。

3.方法可控性强

使用多旋回模型预测，能够对预测进行有效控制。由于盆地油气储量、产量增长曲线多为多峰的形态，单旋回的预测无法预测出未来高峰的出现，而多旋回模型可以把由于不同原因出现的储量、产量高峰一一表现出来，从而对储量、产量增长结构有更清楚的认识，明了什么时间由于何种事件的影响使油气储量、产量有了明显的上升或下降。利用软件可方便地实现对多旋回的控制。

五、预测方法创新之处

(一)全面使用了专家评估法

国内外调研分析表明，专家经验是油气资源发现趋势不可或缺的力量，专家评估法是除统计法和类比法之外的另一大类预测方法。因此，项目办公室专门制作了油气资源趋势预测的表格，分发给30余位石油界的专家，让专家们在规定的时间内，对我国主要含油气盆地石油天然气发现趋势进行预测，并给出综合分析。

专家们的预测代表了我国石油界对未来油气储量、产量增长的基本判断和普遍看法，这项工作是国内首次开展的一项调查研究工作，既为油气资源趋势预测研究提供了指导性的意见和参考依据，也是对我国石油工业未来发展思路上的整体把握。

(二)广泛应用了类比法

对于勘探程度相对较低的盆地使用类比法开展油气资源趋势预测研究。根据评价区与类比区油气地质条件的相似性，按照类比区不同勘探阶段和油气产出阶段具有不同的探明速度和产出速度，判断在未来某一时间段内评价区所处的勘探阶段，用探明速度和产出速度乘以其地质资源量和可采资源量，即可得到评价区的储量、产量增长趋势。

类比法的建立为低勘探程度地区的油气资源储量、产量增长趋势预测提供了可行的思路和办法，解决了以往趋势预测只能在高勘探程度地区开展的问题，是预测方法的一大创新之处。

(三)首创并应用了综合预测法

从国内外有关油气趋势预测的现状来看，基本上都属于统计法的范畴，利用各类数学模型，以以往的储量和产量数据进行趋势外推。这种预测受数学模型的约束太大，很多经验的判断也无法在模型中体现出来，对于勘探过程中因勘探新领域突破而带来的储量增长突变无法有效预测。因此，需要一种考虑主客观条件、具有普遍适用性的预测方法。因此，本次研究创立并应用了综合预测法进行油气储量、产量增长趋势预测。该方法预测依据充分，能够发挥专家的经验判断，具有很强的可操作性，在实际应用中取得了很好的效果。