确定LNG吞吐量的时间点：一种复杂网络方法

《Frontiers in Physics》：Identification of time points for LNG throughput: a complex network approach

　　摘要：关键节点在塑造复杂网络的内在结构中起着决定性作用。它们有助于揭示现实世界系统中的相互联系。识别这些关键节点是复杂网络研究中的一个核心课题。液化天然气（LNG）作为一种新兴的清洁能源，在中国的能源供应系统中变得尤为重要，这尤其体现在低碳和环境保护的背景下，因为LNG具有清洁和高效的特点。深圳大鹏湾LNG枢纽港是中国最大的LNG港口，拥有最高的接收终端密度，为珠三角地区以及香港和澳门提供能源保障。随着LNG需求的增加以及COVID-19大流行对船舶停靠和出发造成的重大干扰，能源供应的系统风险正在逐步扩散。本研究采用可视化图方法将深圳大鹏湾枢纽港的LNG吞吐量数据转化为复杂网络模型，重点分析其结构特征和关键时间点，以研究LNG吞吐量的动态变化。此外，还结合了熵权重-TOPSISIS（Entropy Weight - Technique for Order Preference by Similarity to Ideal Solution）方法来确定LNG吞吐量可视化图中的关键节点，从而确定LNG吞吐量时间线上的关键时间点。通过研究中国能源市场的动态特征并预测未来的供需情况，本研究为政策制定者、投资者和能源企业提供了宝贵的决策依据。

1 引言
珠三角地区和港澳是中国经济最发达的区域，迅速的发展创造了巨大的能源需求。合理监管LNG的进出口可以有效确保该地区的能源供应。近年来，由于公共卫生危机、地缘政治问题和供应链问题的影响，能源市场出现了价格波动和供应不稳定[1–3]。这些变化可能显著改变LNG的供需情况，进而影响能源市场的发展趋势。中国最大、分布最密集的大鹏湾LNG枢纽港的LNG吞吐量在某种程度上受到了这些因素的影响。鉴于能源市场的复杂性和非平稳性，本文试图对其进行分解和分析，从复杂网络的角度研究LNG吞吐量的结构特征。

Watts提出的小世界模型和Albert开发的无标度模型在两项开创性的研究中被提出，推动了复杂网络研究的蓬勃发展。从网络角度研究复杂系统可以带来新的、更有价值的见解[4]。在过去20年里，复杂网络理论已广泛应用于众多复杂系统，包括城市网络[5]、交通网络[6]、贸易网络[7]、环境网络[8]和金融网络[9]。复杂网络理论的出现加快了数据分析，并展示了如何从数据序列中提取关键信息。此外，随着复杂网络理论的进步，一些研究人员将物理属性与数据中的潜在特征分析结合起来。

可视化图（VG）算法首次由...在2008年提出[10]，它提供了一种将时间序列数据转化为复杂网络的技术，使得可以通过网络科学框架分析时间序列的结构特征和动态演变。近年来，VG算法在时间序列研究中被广泛采用，包括在能源管理中的应用[11]，例如...研究了不同地区和省份的碳价动态模式[12]，分析了美国区域电力市场的供应、规划和批准情况，识别了其属性和结构[13]，研究了各国的燃料出口贸易，分析了全球燃料出口贸易时间序列数据并分类了研究国家的市场[14]，检查了天然气价格波动的模式并确定了转折点，评估了它们对未来价格趋势的影响[15]，使用复杂网络理论研究了黄金价格时间序列和回报序列的特征，并探讨了驱动黄金价格波动的潜在机制[16]，研究了基于全球碳排放的各国和地区的交通发展[18]，检查了中国各省和城市对COVID-19大流行的关注程度，评估了主要疫情预警和预防系统的差距。在网络分析中，识别关键节点是一项基本且具有挑战性的任务，因为它旨在确定对整个网络结构最具影响力和核心地位的节点[19]。网络中心性度量及其变化是识别关键节点的基本和最常用的方法[20]。例如[20]讨论了不同网络中各种中心性度量的适用性，并在四个真实世界网络拓扑结构中展示了目标攻击下的网络韧性[21]，将顶点相关性信息嵌入到CNT工具中以改进网络分析[22]。他的研究强调了调整中心性度量（包括介数中心性、接近中心性和度中心性）的重要性，特别是对于空间网络而言。这反过来支持了在水力评估之前和之后的有根据的分析、规划和管理策略[23]。该研究提出了一种简单而有效的模型，称为时间有序图，它将动态网络转换为具有有向流的静态网络，并探讨了时间中心性度量在现实世界背景下的实际应用[24]，分析了两种股票之间的股价变化，并提供了相关静态模式，帮助利益相关者更深入地了解这些股票[25]，引入了SAASP（一种半局部中心性度量）以准确高效地识别大规模、低复杂性网络中的关键节点。尽管识别复杂网络中的关键节点至关重要，但相对受到的关注有限。本文通过利用复杂网络的结构特征并应用这些见解来预测能源运输，解决了这一挑战。

本文采用复杂网络模型来分析LNG吞吐量的结构特征。具体来说，应用VG算法将大鹏湾枢纽港的LNG吞吐量时间序列转化为复杂网络，然后使用中心性度量对网络中关键时间节点的重要性进行排名。随后，利用复杂网络模型进一步探索LNG吞吐量的物理特征。分析表明，前十个关键时间节点有80%的重复率，证明了研究结果的稳定性。本研究引入了一种新的模型来表征LNG吞吐量，能够识别中国能源供应中的关键时间点，并为预测能源需求变化提供宝贵支持。

本文的研究逻辑如下：第2章将详细严格阐述本研究核心问题采用的技术方法、关键计算步骤和建模过程。第三章将使用实际统计数据对方法进行客观验证，并通过统计分析方法对数据背后的模式和特征进行全面解释，以确保研究结论的科学性和可信度。最后，第4章将总结整个文本的研究结果，并深入讨论实验发现，探讨理论价值、实际意义和可扩展的未来研究方向。

2 研究方法
2.1 可视化图
Bezsudov和Snarski[26]提出了一种基于复杂网络的方法来映射时间序列，利用可视化图（VG）方法处理数据。在这个框架中，网络中的每个节点代表时间序列中的一个单独数据点，边缘是在满足可见性条件的节点之间形成的。在本研究中，从深圳海事局获得的LNG吞吐量数据（涵盖2017年1月1日至2021年12月31日）被表示为复杂网络中的节点。如果两点$(ti, yi)$和$(tj, yj)$满足可见性条件，则它们被连接起来，所有中间点$(tk, yk)$都必须遵循指定的可见性规则：
$yk < yi + (yi - yj)$ 且 $tk < ti$ 以及 $ti < tj$，且 $fi < j$ 且 $yk < yi + (yi - yj)$ 且 $tk < ti$ 以及 $ti < tj$，且 $fi < j$。

2.2 复杂网络的拓扑特征
在网络科学领域，网络（也称为图）表示为$G = (V, E)$，包括一组节点$V$和连接它们的边$E$。网络结构可以通过邻接矩阵$A$表示，其中每个元素$A_{ij}$满足以下定义：
$A_{ij} = \begin{cases}1, & \text{如果节点}v_i$ 和 $v_j$ 之间有边} \\ 0, & \text{否则}\end{cases}$

提出了多种度量来分析复杂网络的统计特征，包括节点度、度分布、平均路径长度和聚类系数。表1总结了实践中常用的关键度量。

表1 常见度量的公式及说明：
| 度量 | 公式 | 说明 |
| ---- | ---- | ---- |
| 节点度 | $k_i = \sum_{j=1}^n A_{ij}$ | 衡量节点的重要性 |
| 度分布 | $P(k) = \frac{k_i}{N}$ | 衡量节点的分布 |
| 平均路径长度 | $L = \frac{2N}{(N-1)} \sum_{i \geq j} d_{ij}$ | 衡量网络的小世界属性 |
| 聚类系数 | $C_i = \frac{2k_i(k_i-1)}{k_i(k_i-1)}$ | 衡量网络的聚类特征 |

通常，度数较高的节点在网络中被认为更为重要。能源供应系统网络通常表现出幂律度分布和高聚类系数（$C_L \geq 3$），这是无标度网络的特征[27–32]。

2.3 中心性度量
中心性度量是网络结构中最常用的基本度量之一[33, 34]。中心性度量侧重于识别网络中最具影响力的节点。评估节点中心性的常见方法包括度中心性（DC）、特征向量中心性（EC）、接近中心性（CC）和介数中心性（BC）。

2.3.1 度中心性
度中心性（DC）是最简单的中心性度量，表示节点的度数。

2.3.2 特征向量中心性
特征向量中心性（EC）提供了一种更精细的节点重要性评估方法。虽然度中心性仅考虑了连接数量，但EC考虑了并非所有连接都对节点影响力相同的观点。每个节点都被赋予一个相对分数，如果你与一个分数较高的节点相连，那么它对你的节点分数的贡献会大于与一个分数较低的节点相连。节点$v_i$的分数$x_i$按以下公式计算：
$x_i = \frac{1}{N} \sum_{j} A_{ij}$

2.3.3 接近中心性
接近中心性（CC）是网络分析中的一个重要度量，反映了节点通过最短路径与其他节点的接近程度。对于无向网络，可以根据以下公式计算：
$C_i = \frac{1}{\sum_{j=1}^n d_{ij}}$

2.3.4 介数中心性
介数中心性（BC）是衡量节点重要性的一个重要指标，基于网络中最短路径的概念。它可以分为节点介数中心性和边介数中心性。具体来说，节点介数中心性计算为通过给定节点$v_i$的所有最短路径的比例：
$B_i = \frac{\sum_{j=1}^{l \leq N} n_j l_{ij}}{n_j}$

BC 是一个粗略的指标，反映了节点$i$对其他节点之间信息流动的控制程度。它衡量了通过节点$i$的信息传输比例。

2.4 熵权重TOPSIS方法
在熵权重TOPSIS方法中，复杂网络中的每个节点被视为一个选项。确定节点重要性的过程相当于根据其指标值评估每个选项的性能。使用熵权重TOPSIS方法，这可以被视为在多个选项之间的选择问题。参考指标是从每个选项的计算指标值中得出的，然后根据相应标准进行选择。其基本概念是根据它们与最优解的接近程度对选项进行排序。此外，它还考虑了它们与最坏情况的距离[35–37]。如果一个选项最接近最优解，则被认为是最优的；如果它离最坏情况最远，则被认为是非最优的。在这种情况下，最优解的指标值反映了每个评估标准下的最佳可能性能，而最差解的值代表了最低性能。熵权重TOPSIS方法的程序可以总结为以下步骤：

1. 准备原始矩阵XX。它是一个大小为n×m的矩阵，其中n是对象的数量，m是指标的数量。
Y = ?
? ? ? ? ? ? ?
x11 x12 ? x1m
x21 x22 ? x2m
? ? ? ? ?
xn1 xn2 ? xnm
?
? ? ? ? ? ? ?

2. 对原始矩阵进行归一化和标准化，得到标准化矩阵ZZ，这里使用了范围法。
(1) 正数值维度：
zij = (xij - xminj) / (xmaxj - xminj)
(2) 负数值维度：
zij = (xmaxj - xij) / (xmaxj - xminj)
(3) 中等指标：
zij = 1 - a * (xij - xminj) / (xmaxj - b), 其中 1 < a < 1 且 a ≠ 1

3. 计算第i个对象在第j个指标下的值的比例Pij。
结果得到的标准化矩阵ZZ如下：
Z = ?
? ? ? ? ? ? ?
z11 z12 ? z1m
z21 z22 ? z2m
? ? ? ? ?
zn1 zn2 ? znm
?
? ? ? ? ? ? ?

4. 计算第j个指标的熵值Ej：
如果 Pij = 0，则 Ej = -ln(n)
对于所有i，Pij = zij / Σi=1 zij
(j=1,2,?,m)

5. 计算第j个指标的方差系数Gj：
Gj = 1 - Ej

6. 计算第j个指标的权重Wj：
Wj = Gj / m

7. 构造加权标准化矩阵：
Z* = ?
? ? ? ? ? ? ?
ω1*z11 ω2*z12 ? ωm*z1m
ω1*z21 ω2*z22 ? ωm*z2m
? ? ? ? ?
ω1*zn1 ω2*zn2 ? ωm*znm
?
? ? ? ? ? ?

8. 确定正理想解和负理想解：
在加权标准化矩阵中，正理想解由每列中的最高值组成，负理想解由最低值组成。

最终的加权标准化矩阵Z*为：
Z* = ?
? ? ? ? ? ?
Z11 Z12 ? Z1m
Z21 Z22 ? Z2m
? ? ? ? ?
zn1 zn2 ? znm
?

正理想解：(Z1, Z2, ? Zm)
负理想解：(-Z1, -Z2, ? -Zm)

9. 使用欧几里得距离计算对象与正理想解和负理想解之间的距离：
Di+ = ∑j=1 (Zj + zi*)^2
Di- = ∑j=1 (Zj - zi*)^2

10. 使用与负理想解的距离来计算相对接近度，并据此对备选方案进行排名。值的范围是0到1，其中较高的相对接近度表示解决方案离负理想解更远，代表更好的结果。

算法流程总结如下：

算法1 输入：黄金期货时间序列数据
输出：重要时间序列节点的排名

1. 将时间序列数据转换为复杂网络。
2. 计算所有节点对之间的最短距离并获得初始凝聚力。
3. 收缩节点i以获得新的网络，并计算新网络的凝聚力。
4. 通过TOPSIS分析方法计算第i个节点的重要性。
5. 对重要节点进行排名。此外，物理层面的港口运营效率已经实现了与经济需求的有效对接。2018年中国北方的“煤改气”项目迎来了一个关键年份，其明确目标是实现冬季的清洁供暖。8月恰逢供暖季前的核心储备期。为了避免冬季燃气供应短缺，许多北方地区的燃气企业加快了用天然气替代煤炭的进程。液化天然气（LNG）凭借其灵活的运输方式和快速的储备补充能力，成为了关键的补充能源。从经济数据来看，2018年8月中国的LNG进口量同比增长了18%，其中北方LNG接收站的数量占比超过了60%。强劲的储备需求直接推动了深圳大鹏湾枢纽港（作为中国南方的重要转运港，需要将部分资源调往北方）的吞吐节点数量激增。平均度数达到25，意味着该港口在当月每天必须处理约25个核心运营节点（如LNG运输船靠港和船岸作业）。2018年7月美国对部分中国商品加征额外关税后，中国在8月宣布将对美国LNG征收10%的关税（并于9月实施），市场提前形成了“成本上升”的预期。为了避免额外的关税成本，国内进口商在8月集中加快了美国LNG的采购速度。数据显示，那个月美国LNG对中国的出口量环比增长了22%，大部分货物在大鹏湾枢纽港卸载（这是美国LNG进入中国南方市场的主要通道之一）。LNG运输船的短期集中到达进一步增加了港口运营节点的密度——原本分散在9月至10月的进口计划提前到了8月，使得这个月的吞吐节点数量远超平常月份。同时，“紧急运输”需求迫使港口的所有环节高效运作，间接提高了紧密中心性（0.608247）。即从任何运营节点（如抛锚等待和装卸作业）到港口调度中心的“流程长度”缩短，反映了市场需求驱动的网络效率。2018年8月，大鹏湾枢纽港已经具备了成熟的接收能力（当时总卸载能力约为每年1000万吨）。此外，夏季中国南方没有受到台风等极端天气的干扰，LNG运输船的靠港效率也保持稳定。通过优化泊位分配（优先安排美国LNG运输船）和延长装卸作业时间（将每日作业时间从16小时延长至20小时），港口确保了短期运营节点激增的高效处理，并避免了因节点拥堵导致的紧密中心性下降。这种“物理设施能力匹配经济需求”的状态，是当月平均度数和高紧密中心性并存的重要支撑。

尽管2020年12月LNG月度吞吐量的指标——平均度数为19，紧密中心性为0.531532——略低于2018年8月的水平，但这些指标受到“港口设施扩建+疫情后恢复需求+宽松贸易政策”三个因素的共同影响。其网络特征更好地反映了“长期能力提升与短期需求激增”之间的协调。深圳大福LNG接收站的扩建项目在2020年12月前投入使用，新增了每年500万吨的卸载能力，使大鹏湾枢纽港的总卸载能力超过1500万吨，储罐容量也同时增加了30%。设施扩建后，港口每天可以同时处理3-4艘大型LNG运输船（此前只能处理2艘），运营节点的承载上限显著提高。虽然平均度数19低于2018年8月的25，但这是在“常态化高需求”下的稳定节点数量（而非2018年短期紧急运输的脉冲式增长），更真实地反映了港口的长期运营能力。“三方在线联合治理”模式实现了海事行政主管部门、港口企业和航运公司之间的在线协同审批，将每艘LNG船舶在港口的停留时间减少了近4小时——从原来的24小时缩短至20小时——同时将每日卸载能力提升至12万吨。这种优化直接减少了运营节点之间的“等待时间”，使紧密中心性保持在相对较高的0.531532水平。值得注意的是，尽管该月到港船舶数量同比增长了15%，但节点之间的连接效率未受影响，体现了物理层“监管创新提升网络效率”的特点。2020年下半年，中国的疫情防控取得了显著成效，南方工业企业（如电子和化工行业）的生产能力迅速恢复，工业用LNG的需求同比增长了12%。同时，北方的供暖需求在冬季开始，全国LNG消费总量同比增长了10%。在双重需求的推动下，作为中国南方最大的LNG接收港，大鹏湾枢纽港需要满足当地工业需求以及向北方的运输需求，因此吞吐节点的数量保持了高水平。平均度数19反映了在“工业+民生”双重需求下的稳定运营强度，需求的持续性避免了2018年8月紧急运输后的急剧下降。

此外，我们还可以从2017年1月和2月LNG月度吞吐量的可视网络结构中获得启示。这两个月的LNG月度吞吐量网络结构存在一些相似之处，但对LNG进出口的影响微乎其微。表10总结了2017年1月和2月的评估指标，显示这两个月的LNG月度吞吐量平均度数均为2。这表明，在正常情况下，这两个月只有2个时间节点，说明它们对LNG进出口的影响相对有限。另外，2017年1月和2月黄金期货的紧密中心性相同，均为0.23506，表明这两个时间点所需的紧密中心性相同，凸显了它们的特定相似性。此外，2017年1月和2月对应节点的特征向量中心性均为0.00865，表明这些节点对时间序列网络结构的影响非常小，主要是由于“政策尚未生效+港口设施不足+市场需求疲软”等多重限制所致。表10显示了2017年1月和2月的LNG月度吞吐量的TOPSIS排名和统计指标。

结论：为了深入研究LNG进出口量的内在结构特征和动态模式，本研究采用了时间序列数据可视化的原理和方法，选择了中国最大、分布最密集的核心LNG接收站——深圳大鹏湾LNG枢纽港作为研究样本，并对其每月LNG吞吐量数据进行了系统可视化分析。通过直观展示连续的时间维度和动态变化的吞吐量指标，分析结果清楚地揭示了LNG吞吐网络具有无标度特性，其中少数关键节点主导了整个网络。为了准确识别影响LNG进出口过程的关键时间节点，本研究结合了复杂网络收缩算法和熵加权TOPSIS分析：前者简化网络拓扑结构以突出核心节点之间的相关性，后者通过熵加权为评估指标赋予权重，并使用TOPSIS进行多维排名，最终在时间轴上识别出关键节点。后续分析表明，这些关键节点在冬季供应期、中美贸易战的关键阶段以及基础设施容量扩张的里程碑期间呈现出明显的聚集现象。这种分布模式明确表明，季节性需求-供应变化、国际贸易的周期性动态和生产能力结构调整对LNG进出口的规模和节奏有着显著且直接的影响。基于这一发现，本研究在调度优化和风险管理两个方面提出了建议：在调度优化方面，基于识别出的关键时间节点提出了“分阶段动态调度策略”；在风险管理方面，针对关键节点暴露的波动风险，建立了“风险预警-响应联动”机制，建议海事和能源监管部门发布风险预警并协调上下游企业制定应急响应计划。复杂网络模型得出的物理属性，加上关键节点重要性的变化，为进一步分析和描述LNG贸易动态提供了关键基础，有助于更清楚地理解不同时间阶段LNG数量的波动逻辑及其根本驱动因素，具有重要的理论和实践意义。