挪威和英国未来石油产量预测：综述

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Forecasting future oil production in Norway and the UK: a general
  improved methodology》
---
作者：
Lucas Fievet, Zal\\`an Forr\\`o, Peter Cauwels, Didier Sornette
---
最新提交年份：
2014
---
英文摘要：
  We present a new Monte-Carlo methodology to forecast the crude oil production of Norway and the U.K. based on a two-step process, (i) the nonlinear extrapolation of the current/past performances of individual oil fields and (ii) a stochastic model of the frequency of future oil field discoveries. Compared with the standard methodology that tends to underestimate remaining oil reserves, our method gives a better description of future oil production, as validated by our back-tests starting in 2008. Specifically, we predict remaining reserves extractable until 2030 to be 188 +/- 10 million barrels for Norway and 98 +/- 10 million barrels for the UK, which are respectively 45% and 66% above the predictions using the standard methodology.
---
中文摘要：
我们提出了一种新的蒙特卡罗方法，用于预测挪威和英国的原油产量，该方法基于两步过程，（i）单个油田当前/过去表现的非线性外推，以及（ii）未来油田发现频率的随机模型。与倾向于低估剩余油储量的标准方法相比，我们的方法能更好地描述未来的石油产量，2008年开始的回测验证了这一点。具体而言，我们预测到2030年，挪威的剩余可开采储量为188+/-1000万桶，英国为98+/-1000万桶，分别比使用标准方法的预测高出45%和66%。
---
分类信息：

一级分类：Physics        物理学
二级分类：Data Analysis, Statistics and Probability        数据分析、统计与概率
分类描述：Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件：数据处理与存储；测量方法；统计和数学方面，如参数化和不确定性。
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Forecasting_future_oil_production_in_Norway_and_the_UK:_a_general_improved_methodology.pdf (672.19 KB)

2022-5-6 11:08:37 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：石油产量 Quantitative respectively Applications Mathematical

预测挪威和英国未来的石油产量：通用改进方法。菲维塔，*, Z.Forróa，P.Cauwelsa，D.SornetteaaChair of Enterpriseum Risks，ETH Zürich，Scheuchzerstrasse 7（SEC F），CH-8092 Zürich，SwitzerlandAbstractNorway和英国。基于两步过程，（i）单个油田当前/过去表现的非线性外推，（ii）未来油田发现频率的随机模型。与倾向于低估剩余油储量的标准方法相比，我们的方法更好地描述了未来的石油产量，2008年开始的回测验证了这一点。具体而言，我们预测，截至2030年，挪威和英国的剩余可采储量分别为1.88±100万桶和98±1000万桶，分别比使用标准方法的预测高出45%和66%。由于石油在我国经济中的核心地位，预测未来石油产量自上世纪初以来一直是一个备受关注的话题。它的重要性从能源生产、制造到制药行业。由于石油是一种不可再生的有限资源，因此能够预测未来的石油产量至关重要。自2008/2009年危机以来，由于供应停滞和油价高企，人们对全球石油峰值的担忧不断加剧，超过这个峰值，产量将不可避免地下降（Murray&Hansen，2013）。与任何工业化国家一样，欧洲强烈依赖石油供应来维持其经济实力。在当今艰难的地缘政治环境中，了解欧洲所需的石油有多少将来自可靠来源是很重要的。过去，很大一部分来自挪威和英国，这两个欧洲最大的出口国。

然而，英国在2005年已经成为净进口国，挪威的产量也在迅速下降（H"oK&Aleklett，2008）。预测未来石油产量的方法尚未演变*通讯作者。电话：+41446328379。电子邮件地址：l fievet@ethz.ch（费维特），zforro@ethz.ch（Z.福罗），pcauwels@ethz.ch（P.Cauwels），dsornette@ethz.ch（D.Sornette）提交给ElsevierarXiv的预印本：1407.3652v1[Physical.data an]2014年7月11日预测未来石油产量o2014年7月自M.King Hubbert（1956年著名预测美国石油产量将在1965-1970年左右达到峰值）以来已有多份预印本（Hubbert，1956年）。这一预测已被证明是正确的。他的主要论点是基于石油的不确定性，即截至时间tdPdt=rP的石油开采总量P（t）1.-主键. （1） logistic微分方程的特点是初始指数增长，然后随着提取的总石油达到饱和（不再发现石油），指数增长降至零。这些参数通常指的是增长率，而Kas指的是承载能力（石油总量p（t）t thenf（t）：=dpdt指的是石油产量，M.King Hubbert以惊人的精度预测了石油产量达到峰值。从现有的未来石油产量预测的方法论角度来看，使用某种形式的哈伯公式应用于总产量（Greiner et al.，2011），但没有人深入研究潜在的动态。缺乏细节的主要原因当然是缺乏可用的数据。本文介绍了一种预测未来石油产量的新方法。使用每个单独油田的产量曲线，而不是将总产量曲线与哈伯特曲线或其变体（如多周期哈伯特曲线）进行拟合。

通过将其产量延伸到未来，并推断未来新油田的发现率，通过蒙特卡罗（NPD）和英国（GOV.UK，2014）预测未来的石油产量。二、方法通过研究一个国家的各个组成部分，即油田的生产动态，对该国进行生产。这种方法的主要好处是，与所有单个油田动态组合产生的非平凡石油产量相比。这种能力直接反映了这样一个事实，即每个油田层面的总产量建模更接近现实，并有可能预测未来的石油产量o2014年7月在我们的方法中，必须能够1）扩大每个油田的石油产量，以提高发现新油田的速度。二、1.扩大单个油田的石油产量预测一个国家未来石油产量的第一步是计算现有油田的未来产量，并估计此推断的误差。过去开发的油田的数据显示出重复的不对称模式。图1所示的Oseberg油田就是一个很好的例子，油田开发后会快速上升，然后在油田产量开始下降之前达到峰值或平台。尽可能减少这些不同因素的十年影响。二、1.1. 从一开始提取的规则、不规则和新的油田似乎很难获得，因为它可以采取多种形式。幸运的是，对衰变过程进行建模是足够的，因为有序场可以分为三大类：o规则场——它们的衰变表现出一定的规律性（见图1）；o不规则场——不以规则方式衰减的场（见图2）新的领域——那些尚未腐烂的领域。

因此，根据过去的数据预测未来的石油产量并不容易（见图3）。所有字段都已使用自动算法进行了拟合，但结果无法拟合。截至2014年1月，常规油田分别占鲁威和英国油田数量的85%和87%，以及总产油量的94%和71%。因此，能够对它们进行建模至关重要。为了尽可能多地捕捉不同的衰变动力学，油产率f（t）：=dpdt的衰变部分由拉伸指数f（t）=fe拟合-（tτ）β。（2） 幂律，因此可以捕捉多种分布，如预测未来石油产量所示。2014年7月。如图1所示，拉伸指数（方程式2）是一种很好的函数形式，可以描述规则油田的衰减过程。巨星和矮星之间的产生，其建模如下：衰变时间标度τ被选为常规场的平均τ。β应等于官方最终采收率估计值（如果该估计值可用）。少数尚未进入衰变阶段的新油田无法外推，因此将被视为新发现。第二节讨论了如何将其视为新发现的技术细节。2.3.二、1.2. 回测与误差为了确定基于拉伸指数的外推对未来产量的预测，每个油田都进行了完整的回测。单次回溯测试如下所示：o在过去的某个日期，油田的生产数据{p，…，pN}被截断∈ {0，…，N}，这是指从油田开始生产开始算起的时间，以月为单位。of（t）：=dpdt被截断的数据{p，…，pT}f（t）t当前Tf=N。

外推的总产量可通过asPe（T）=^TfTf（T）dt（3）计算得出，相对误差由（T）=Pe（T）给出-∑Tfi=T管道（T），（4），其中Pe（T）和e（T）都是截断时间T的函数。计算自表达式（4）定义的油田生产时间以来的每个月的该回测。通过施工，相对误差将趋向于预测未来石油产量o2014年7月在图4中，未来产量的相对误差在过去十年中保持相当稳定。从完整的回测中，我们计算平均相对误差e=NN∑i=0e（i）（5）误差正态分布在平均相对误差周围，平均相对误差的标准偏差由σe=VuTNN给出∑i=0（e（i）-\"e)。（6） 由于平均相对误差通常相当恒定，在回测期间，外推将产量高估了10%，外推减少了10%。这导致了外推生产P（t），包括1σ置信区间，给定byp（t）=（1-e）f（t）±σe.（7）图1显示了Oseberg油田包括一个标准偏差范围在内的此类外推示例。二、1.3. 总误差一旦使用公式7外推了各个油田，我们就可以计算整个国家的石油产量外推。虽然可以直接对各个油田的外推进行汇总，以获得预期产量，但必须注意国家一级的产量区间。如下文第三节所示，在国家层面上进行了相同的外推，包括对未来总产量进行了一个完整的月度回溯测试，由此产生的相对误差远小于在各个油田上观察到的平均误差。

为了解释这一观察结果，我们假设各个领域之间的相对误差是不相关的。虽然人们可以想象，合作可能会导致一些相互依赖，但在很大程度上观察到了这种情况。因此，这些油田可以被视为一个资产组合，其回报由其外推得出P（t）σf ield。根据外推产量，在国家一级，每个油田的收益可以计算为σcountry=#f ield∑菲尔德∈ f场σf场。（8） 预测未来石油产量o2014年7月直观地说，该模型很好地模拟了油田之间的不相关误差将基本抵消这一事实。二、2.未来将发现新油田的发现率。描述新油田发现率的模型应满足两个基本观察结果。1.随着时间的推移，新发现的比率应该趋于零。这是油田数量不确定的结果。2.新发现的速度应取决于油田的规模。如今，巨型油田的发现频率远低于矮化油田。二、2.1. 被建模为逻辑增长的发现这种模型的自然选择是非齐次泊松过程。泊松过程是一个以λ的速率生成独立事件的过程。如果速率与时间有关，则为非齐次，λ→ λ（t）。截至时间t的累计事件（发现）数量的标准λ（t）N（t）。然后，λ（t）是对观测速率dn（t）dt的简单平滑估计。图5显示了挪威油田的SN（t），根据其大小将其分为两类，即矮油田和巨油田。逻辑曲线与数据吻合良好（方程式1的积分形式）。这意味着在最初的增加之后，新发现的比率与我们的基本观察结果一致。Forróet al.已经成功地应用了同样的方法。

（2012）估计Zynga上每日活跃用户的数量。由于发现和生产动态与矿场大小无关，矿场被分为两组：矮星和巨人。不幸的是，由此得到的两条logistic曲线对分裂大小高度敏感。这是因为在为数据拟合逻辑曲线时存在一个主要问题，即如果数据未显示承载能力增长放缓，则无法确定承载能力。然而，文献中指出，通常矮田已经被发现（林奇，2002年，第378页）。因此，预计大型油田大部分已被发现和开采，未来的发现将主要由矮油田组成。因此，为了避免最近的发现，对分裂大小进行了选择。因此，我们的定义是：o矮子：产量低于50·10桶的油田。预测未来石油产量o2014年7月o巨人：产量超过50·10桶的油田。（Gb）或以上的油田被归类为巨型油田，而URR较小的油田则被视为侏儒油田（H"ok&Aleklett，2008）。图5所示的结果图显示了动态：巨型油田大部分已被发现，而矮油田的发现过程仍在进行中。巨大发现的逻辑增长曲线受到很好的约束，而矮星的逻辑增长曲线受到很好的约束。如图5所示，物流增长模型的承载能力K不受可用数据的约束。大范围的价值观可以带来同样好的数据。

我们没有考虑到新发现的侏儒油田可能会变得越来越小，直到新油田的规模太小，不适合钻探。事实上，有两种相互竞争的效应可能会相互补偿。一方面，图6显示了挪威和英国已知油田规模的互补累积分布函数（CCDF）。可以观察到两个显著的特性。首先，幂律CDF很好地描述了分布的尾部~S1+α，（9），挪威指数α=1.2±0.1，英国指数α=1.4±0.1。指数α的估计值大于1意味着累积石油储量由最大油田渐近控制，而α非常接近1（称为“齐普夫定律”）将使许多小油田成为可能，这可能是由于数据采样不足。事实上，对于大多数涉及油田等规模广泛分布的数据集，由于非穷举抽样，小事件的分布通常是不完整的。这种不完整性引发了一种幽灵，即我们的推断可能严重低估了许多尚未发现的小型油田对总储量的巨大潜在贡献。假设目前已知的1亿桶到1亿桶的面积比1亿桶的面积小。小型油田在经济上不适合开采，这导致与可回收石油估算相关的分布（9）被有效截断。从提供挪威油田年度投资的NPD数据来看，让我们考虑一下油田预测未来石油产量的说明性案例o2014年7月每桶100美元。

因此，2013年对该油田的勘探投资中断也就不足为奇了。图7显示了一些小型油田的总估算值。可以推断，只要市场油价的涨幅不远高于每桶100美元，规模小于1000万桶的油田在经济上是不可行的。这意味着，尽管存在大量未知的小油田，但出于经济考虑，我们不得不忽视小油田，因此我们的程序是合理的。事实上，经济约束可能会导致承载能力上限低于图5所示的值。为了从更坚实的角度解决这些问题，请使用下一节II中描述的方法。2.2已用于计算不同运载能力的概率。二、2.2. 发现数量的似然函数为了克服矮化场地的安装程序对承载能力的不良限制，史密斯（1980）已经采用了一种方法。这种方法有以下两个假设：1。“在一个石油区块中发现储层，可以在统计学上建模为取样，而不需要从储层的底层人口中进行替换。”2.“从现有人口中发现特定水库是随机的，发现概率取决于（与）水库规模成比例。”这些区域被分成大小不同的垃圾箱，表示。，以频率发生。，新泽西州。每一项发现都被视为一个阶梯，由四子（i）的一个领域组成∈发现了{S，…，SJ}，并计算了sizej的字段数∈ {1，…，J}在Itehstep之前发现。然后，在尺寸为j的步骤II发现的概率可以表示为asPI（I）=Sj=新泽西州- 米吉· Sj∑Jk=1（nk- mik）·Sk。（10） 发现的完整序列{I（）。