全球原油消费预测：可持续能源规划的综合建模方法

《Journal of Engineering Research》：Forecasting Global Crude Oil Consumption: An Integrated Modeling Approach for Sustainable Energy Planning

　　

原油是全球经济的基石，具有深远的经济、地缘政治和环境影响。然而，由于多种影响因素的动态相互作用，预测世界原油消费本质上是复杂的。本研究提出了一种新颖且稳健的建模方法，旨在通过纳入关键决定因素（包括油价、国内生产总值（GDP）、通货膨胀率、人口、地缘政治风险和可再生能源使用）来准确预测全球原油消费。本研究采用多元自适应回归样条（MARS）方法。MARS利用分段线性框架有效捕捉变量间的非线性关系。所开发的模型由八个基函数（包括截距）组成，并构建为一阶MARS模型。获得的结果表明，该模型有效捕捉了自变量与原油消费之间的相关性。对自变量进行的敏感性分析显示，人口是最具影响力的因素，其次是油价，而GDP和通货膨胀率表现出中等影响。有趣的是，可再生能源使用对全球原油消费未显示出显著影响，这表明原油在满足未来能源需求方面将继续发挥主导作用。该模型的预测能力使用2025年数据进行验证。模型预测达到了高精度，误差仅为3.16%。总体而言，所提出的方法提供了一个简单、用户友好的相关性，同时提供了对全球原油消费中关键影响因素的相对重要性的宝贵见解。

**全球原油消费预测：可持续能源规划的综合建模方法——论文解读**

**研究背景与问题**
原油作为全球经济的支柱，深刻影响着经济、地缘政治与环境。然而，其消费预测极为复杂，受油价、国内生产总值（GDP）、通货膨胀率、人口、地缘政治风险（GPR）及可再生能源等多因素动态交互影响。现有预测方法存在显著缺陷：多数机器学习模型（如长短期记忆网络LSTM、自适应神经模糊推理系统ANFIS）为“黑箱”，缺乏可解释性与可重复性；深度学习方法需要大量数据与计算资源，且易过拟合；传统时间序列模型（如自回归移动平均ARIMA）假设线性与平稳性，难以捕捉非线性结构突变；许多研究忽略了关键解释变量，如GPR与可再生能源，且验证不充分。因此，亟需一种简单、透明且能准确捕捉复杂关系的建模方法，以服务于可持续能源规划。

**研究内容与结论**
研究人员提出基于多元自适应回归样条（MARS）的预测模型，纳入油价、GDP、通胀率、人口、GPR及可再生能源使用率作为自变量，构建一阶MARS模型。模型采用分段线性基函数（BF）自动选择变量与交互项，通过前向添加与后向剪枝（基于广义交叉验证GCV）优化。训练数据（1986–2024年）来自美国能源信息署（EIA）、macrotrends等公开来源，样本覆盖全球。模型在测试集上达到R2=0.982，均方根误差（RMSE）=3.36，平均绝对百分比误差（MAPE）=2.25%，2025年预测误差仅3.46%。变量重要性分析表明人口是最关键因素，其次为油价、GPR与通胀率，GDP影响较低，而可再生能源使用未被模型保留，说明原油仍将主导未来能源需求。该论文发表在《Journal of Engineering Research》。

**关键技术方法**
研究人员采用多元自适应回归样条（MARS）作为核心方法，它是一种非参数回归技术，通过分段线性基函数（hinge函数）自动捕捉非线性关系与变量交互。模型开发包括前向选择（添加基函数至最大20个）和后向剪枝（基于GCV移除冗余项），最终保留8个基函数（含截距）。变量重要性通过ΔGCV（广义交叉验证误差减少量）和子集残差平方和（subsRSS）评估。数据预处理中，对可再生能源使用率（REN）进行log10变换以稳定方差。模型使用80%数据训练，20%盲测验证，并用2025年独立数据进行最终验证。样本数据来源涵盖全球时间序列（1986–2024年），包括EIA、macrotrends、OurWorldinData等。

**研究结果**
**4.1 变量选择**：基于文献综述，确定油价、GDP、通胀率、人口、GPR、可再生能源使用率为关键输入变量。
**4.2 数据收集与来源**：数据来自EIA、macrotrends、matteoiacoviello.com等公开数据库，涵盖1986–2024年全球年度数据。
**4.3 模型性能**：MARS模型在训练集上MAPE=1.13%，RMSE=1.35，R2=0.991；测试集上MAPE=2.25%，RMSE=3.36，R2=0.982。最终方程包含8个基函数，截距为99.84，其中BF1（与人口相关）系数最大（-191.171），表明人口的主导作用。
**4.4 数据预处理**：采用偏度与峰度检验，仅对可再生能源使用率（REN）进行log10变换（偏度从1.15降至0.934），其余变量无需变换。
**4.5 变量重要性**：ΔGCV、子集RSS和子集GCV三项指标均显示人口（100分）为最重要变量；油价（7.25）、通胀率（6.87）和GPR（6.79）具有中等影响；GDP（2.15）影响较低；可再生能源使用率贡献为零，被模型剪枝。
**4.6 模型验证**：用2025年数据（人口8.23亿、GDP117.2万亿美元、油价65.4美元/桶、通胀4.2%、GPR144.29）代入模型，预测原油消费为101.49百万桶/日（MBPD），与实际值105.13 MBPD相比，相对误差3.46%，验证了高精度。
**4.7 模型鲁棒性**：MARS通过GCV剪枝自动控制复杂度，避免过拟合；其确定性算法（无随机初始化）保证结果可重复；分段线性结构在经济学阈值处自动设置节点，优于线性回归和ARIMA。模型在训练与测试集间误差差异小（R2差值0.009），表明泛化能力强。

**讨论与结论**
讨论部分指出，MARS模型的关键优势在于非参数性、自动变量选择、非线性捕捉能力及可解释性。与LSTM、ANFIS等黑箱模型相比，MARS提供了透明且可重复的预测方程，有利于政策制定。人口作为首要驱动因素，意味着未来能源需求增长将主要受人口影响；可再生能源未显示显著作用，说明短期内原油仍将主导能源结构。模型局限性包括：未考虑突发事件（如战争、技术突破）的冲击，以及年度数据可能无法捕捉短期波动。未来研究可引入动态场景分析与预测区间。
**研究结论翻译**：
1. MARS有效捕捉了自变量与因变量（原油消费）之间的相关性。
2. 人口是模型中最具影响力的参数，油价为第二重要参数，GPR与通胀率影响中等，GDP影响较低。
3. MARS显示可再生能源对全球原油消费无影响，因此原油在未来多年仍将在能源需求中扮演重要角色。
4. 所提出的方法不仅生成了简单易用的相关性方程，还揭示了各自变量的相对重要性。
5. 模型使用2025年数据验证，计算结果与实际数据高度吻合，相对误差仅为3.16%。