【作　　者】
蔡齐霖1（高级会计师），余晓钟2（博士生导师），王海涛1（高级经济师）

【作者单位】
1.中国石油上海分公司，上海200030；2.西南石油大学经济管理学院，成都610500

【摘　　要】
    【摘要】在“三期叠加”的低油价“新常态”下，油气价格整体下降使得油气公司盈利能力受到严峻挑战，产量预测成为影响油气公司盈利能力的关键因素。本文立足油气开发产量与成本之间的数量关系，借助多元线性回归方法构建盈利能力预测模型，克服传统油藏理论预测方法的局限和不足，以期为油气公司盈利能力的稳步提升以及制定科学合理的发展规划提供参考。
【关键词】油气公司；成本；产量；盈利能力预测；多元线性回归
【中图分类号】TE313           【文献标识码】A           【文章编号】1004-0994（2016）30-0087-4

一、引言
油气资源作为天然的禀赋资源，关系到国家工业发展的经济命脉，是国民经济发展和国家安全的重要战略物资。伴随着国际油价从2014年年中的120美元/桶高位跌破30美元/桶，仅一年多的时间，国际能源行业迅速进入了低油价时期。一旦石油价格远远低于开采价格，就意味着曾经无比辉煌的中国石油巨头们不得不面对最为惨淡的业绩，比如：去年净利润同比下滑66.9%的中石油；中石化胜利油田巨亏92亿元，被迫关停旗下4家油田；许多油气企业都处在亏损的边缘，低油价严重威胁到了油气企业的生存。
世界范围内日益紧张的石油供需格局衍生了愈演愈烈的油气资源竞争，给我国石油行业的低成本、高效率发展提出了更高要求和更多挑战。全球性低油价“新常态”环境的生成，与国际政治经济、军事博弈、非常规油气开采、替代能源研发、欧佩克组织、国外经济增速放缓等错综复杂的因素息息相关，在低油价大环境中，全球油气行业勘探开发支出整体上减少超过了千亿美元。
国内以三大石油公司为主导的油气公司在进行战略调整、管理创新、降本增效的同时，也在更加积极地研究油气开发成本与油气产量的关系，借以提高盈利能力预测的准确性，以适应国际石油市场的变化，在低油价“新常态”时期保持竞争优势。
然而，传统盈利能力预测模型大多着眼于现有数据，以现有资产和盈利水平预测未来的产量，以此为油气田的发展规划提供决策，由此引发预测基础数据不完全准确、预测目标设定不完全合理等问题。在低油价“新常态”时期，一些油气公司仍旧采用传统的油藏理论方法预测产量，由此大大降低了预测的准确性，造成预测产量与实际产量之间出现较大误差，从而使得企业盈利预测与实际盈利结果存在巨大差异，进而影响到油气公司在新时期的发展规划和战略部署。为了克服传统预测方法的局限和不足，本文基于多元线性回归预测模型建立油气公司盈利能力预测模型，将之应用于某油区实际开发数据的预测，分析油气公司开发成本与产量之间的具体关系，以期为油气公司盈利能力的稳步提升以及制定科学合理的发展规划提供参考。
二、研究现状
油气公司的生产经营具有投资大且回收期长、资金与劳动力分布密集、运营风险高等典型特征，油气资源的不可再生性、原油产量递减与开采成本上升从整体上决定了油气公司的资金投入、产出与盈亏。在低油价时期，油气公司已经不能只为了满足需求不断增加产量，而是要权衡增产方式及其经济效益。如何在油气公司计划完成产量的约束下以最小的投资成本获得最大的产出，提高油气公司整体经济效益和盈利能力，是油气公司亟待解决的问题。
通常情况下，产量与成本之间的数量关系是科学合理地预测盈利能力的核心。这是因为，在油气公司盈利能力的预测过程中，油气价格、税费、成本、产量是四大主要影响因素。油气价格和税费受经济环境影响，油气公司难以单独控制和改变；成本和产量则是油气公司能够把握与控制的因素，成本影响因素包括油气田勘探成本、开发投资、生产操作费和行政管理费等，产量则是影响盈利能力的关键因素，油气公司可以根据需要进行开采性产量测定。
然而，现有的围绕油气开发成本与产量进行的研究，基本上是油气公司根据现有的历史性生产活动数据对自然情下当年产量进行预测，然后将该预测结果与当年计划完成的产量指标进行对比，通过打新井等方式形成增产计划，以缩小对比差距，再依据增产计划形成初步财务方案，交给财务部门制定投资计划。在这一过程中，对自然情况下当年产量的预测基本是从地质因素考虑的，以孔隙度、渗透率为基础，依据油藏理论，筛选影响油田产量的因素，继而建模预测，例如Logistic产量递减模型、小波神经网络模型以及地质因素多元线性产量模型。这些模型都是从地质油藏理论方面考虑，并没有考虑诸如各个生产环节的成本问题，且大多数油田产量预测只有单个输入变量，通过时间序列方式进行拟合，没有进行多方面的综合考虑，没有完全找出影响油田系统的显著因素。这些模型的主要特点是以产量研究为中心，倒推出影响产量的地质因素，从而得出产量模型。其最大的缺陷在于无法对油气田进行开采效率分析，无法对资本投入和油气田产出之间的关系进行定量研究。因此，很有可能在同一个构造区块，投入了相差数倍的成本，而只获得了同样数量的原油，造成盈利能力预测的较大误差，这对企业经营和管理人员来说是难以接受的。
在以传统的油藏理论为依据的产量产出模型研究的基础上，翁文波院士率先提出了Poisson产出预测模型，此后相继出现了Rayleigh模型、HZC模型、Weibull模型以及对数正态分布模型等。这些模型统称为规划模型，都是利用现有的油气田生产历史数据，应用高级统计分析技术，分析历史数据中所隐藏着的投入产出规律，得到某个油气田盈利能力的一种模型。规划模型不仅考虑油藏规律，而且结合现代统计分析技术与先进手段，综合运用追溯调整法、未来适用法、直线法等成本计算方法，使得成本与产量相匹配，会计核算精度更高，预测过程和结果更加客观准确。因此，规划模型也是本文构建油气公司盈利能力预测模型以分析油气公司成本与产量关系的理论依据。
此外，对于成本与产量之间关系的研究需要较长时间的准备以及扎实的理论基础。因此，在以成本与产量为基础构建盈利能力预测模型之前，需要做好人员准备与理论准备。人员准备是指研究人员需要懂得地质油藏理论、经济活动分析理论并具有实践经验，能够对油气田情况进行跟踪与分析研究，能够进行油气田成本核算，从而找到油气田成本与之相应的产量关系。理论准备是指要选择合适的理论和运算工具，例如数理统计理论和SOS运算工具，以便建立包括油气田地质情况数据、作业资源数据、油气田勘探成本、开发投资、操作成本、行政管理费、产量和盈利数据等在内的数据库。在接下来的研究中，笔者将以上述准备为前提，通过大数据挖掘技术和手段对基础数据进行稽核比较、验证，以实现数据的优化，建立成本数据与产量数据之间合理的钩稽关系，寻找成本与产量之间的关联和规律，进而形成对该油气田未来产量指标的全面预测。
三、盈利能力预测模型构建
1. 基本方法与思想。在盈利预测中最重要的预测是产量预测，当前众多基于油藏理论研究的产量预测模型，多是借助马鞍形曲线、抛物线形曲线、反比例指数函数曲线等传统预测方法进行预测。通过大量比较研究和实际应用我们认为，利用多元线性回归方法构建的油气公司盈利能力预测模型，能够克服传统预测方法难以进行精确成本计量的局限性，弥补其不能进行精确的成本—产量联合预测的缺陷，可以综合考虑油藏理论和成本等各种影响产量的因素，是目前预测精度较高的方法，适合用于油气田产量和盈利能力预测。因此，本文将以多元线性回归方法为基础，构建油气公司盈利能力预测模型。
多元线性回归方法是一种传统的应用性较强的科学方法，是现代应用统计学的一个重要分支，在各个科学领域都得到了广泛的应用。它能够把隐藏在大规模原始数据群体中的重要信息提炼出来，把握住数据群体的主要特征，从而得到变量间相关关系的数学表达式。然后利用概率统计知识对此关系进行分析，以判别其有效性。它还可以利用关系式，由一个或多个变量值去预测和控制另一个因变量的取值，从而知道这种预测和控制所达到的程度，并进行因素分析。多元线性回归模型是研究两个及两个以上的自变量对因变量的影响，当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元线性回归。
多元线性回归分析主要在于确定多个自变量对因变量的影响关系，这个关系找到之后，可以对影响因变量显著的自变量进行调整和控制，以期让因变量达到一定的数值；可以给出自变量的取值，对因变量进行预测。而用多变量线性回归方法预测油气田产量，通常依据油藏理论来选择一些与油气田产量有关的因素作为建模变量，通过对多个变量的综合回归分析，确定影响油气田产量的重要因素并建立多元线性回归预测模型。
众所周知，油气田产量变化一般分为三个阶段：上产期、稳产期和递减期。油气田投入开发初期，由于资金不断投入，生产设施逐步完善，油气田产量逐渐上升，这个阶段称之为上产期。上产期通常较短，中小油气田一般在2 ~ 3年完成，大中型油气田在3 ~ 5年完成。上产期长短与油气田地质条件相关。地质条件简单，则上产期短；地质条件复杂，油气田需要研究和探索的时间就长，上产期也相应延长。上产期一般只能采出地质储量的5% ~ 10%左右。油气田稳产期受到油气田地质条件和开发系统的影响。一般情况下，油气田储量越大，油气田开发稳产期越长。按照国家对于油气田的划分，中小型油气田稳产期在 2 ~ 5 年左右，大中型油气田稳产期在5 ~ 10年左右，特大型一般要求在10年以上。稳产期的长短取决于地质储量、采出程度以及稳产期产量三个参数。稳产期之后即是产量递减期，递减期长短并不一致，如果所有旨在提高油气田产量的措施实施完毕之后，油气的生产不能带来足够的经济效益以弥补成本，那么油气田开采将停止。本文研究的E&P油气公司的预测对象处于稳产期阶段，相关设备配套情况以及产量情况都比较稳定，从客观上来说，符合线性发展趋势，因此可以用线性模型来预测。
2. 模型构建。通常情况下，若是对油气田成本与产量的影响因素全变量入选，可以将油气公司盈利能力预测模型原始架构概括为：
Oil Output=Intercept（截距）+Exploration（勘探费用）+ Development（开发费用）+Operation（所有操作费用之和）+ Sale（销售费用）
在统计应用中，上述模型构架可以表示为经典的多元线性回归模型：
y=constant+a0x0+a1x1+a2x2+…+anxn    （1）
对于油气田产量多元线性预测模型来说，y 代表油气田的产量，x0，x1，x2，…，xn分别代表油气田产量的影响因素。这些因素包含复杂，有地质方面的因素，有成本方面的因素，所有可能影响产量的数据都必须纳入模型。
如果把上述经典的模型细化成可理解的应用模型，那么上述模型可被详细表述成如下形式：
 （2）
写成矩阵形式为：
y=xa                （3）
其中：
[a=constanta1     …ap]   [y=y1y2…yn]      [x= x11 x12 … x1p x21 x22 … x2p x31 x32 … x3p             … xn1 xn2 … xnp]
使得（4）式达到最小：
[i=1ne2i]=e"e（y-x[α]）（y-x[α]）    （4）
其中：ei=yi-   ；e=（e1，e2，…，en）。
当（x"x）-2存在时，即有：
[α]=（x"x）-2x"y      （5）
这就是α的最小二乘估计。基于回归系数的最小二乘估计，我们就可以得到反映回归效果的5 项参数，它们的计算公式为：
[q=i=1n（yi-yi） 2]                        （6）
其中，   是第i个样本点（xi1，xi2，…，xip）上的回归值。
[u=i=1n（yi-yi） 2]                      （7）
其中，   是y的样本平均值。
[F=u/p1/(n-p-1)]                      （8）
[r=u/(u+p)]                       （9）

其中，（x"x）-1=（cij）；i，j=0，1，2，…，p。
四、盈利能力预测模型在油气公司的应用
从建模原理上来讲，一个模型优秀与否，与变量个数的多少并无必然关系。所有进入模型的变量需要满足独立不相关的要求，所以在建模时反而需要剔除那些相关的变量，筛选出满足回归模型BLUE性质的变量。在建立回归模型的过程中，自变量的选择方法是少而精。如果保留对因变量无关紧要的自变量，会影响方程的拟合优度以及模型整体预测的精度。因此，在建立回归模型过程中，需要剔除影响不显著的变量，建立简洁、精度较高的回归预测模型。在此前提下，将相关成本数据、技术参数等影响油气田生产的相关因素纳入模型，在专用软件中进行模型构造，得到结果。
在具体分析过程中，t检验用于检验回归系数的显著性，本文应用t值“后推法”。即在回归效果较差的情况下，根据统计值t值大小依次剔除对应的不显著变量，t值越小，对应的因素x对于y的作用越不显著，此时可以考虑将其剔除；然后用保留的因素再次回归，再次考虑，再次剔除对油气田产量影响不显著的变量，如此重复，直至所有变量都在5%的统计水平上显著。
本文采用ti（i=1，2，…，5）来代表具体的成本因素，E&P油气公司某油田的多元线性回归参数模型整体评价结果如表1所示：

从表1中我们可以看到模型的拟合效果较好，5 个因素均具有代表性，相关变量的检验系数大多在 2 左右，整个模型大约可以预测98%的油气田产量。同时整体模型也通过了 F有效性检验，检验值为135.78。在应用此模型预测实际产量时，也得到了较好的反馈。
表 2 是传统模型的预测结果与成本多元线性回归模型的预测结果比较表。从表2可以看到，多元线性预测的准确度相比较油藏模型的准确度要高，比例误差在10%以内，而传统的油藏模型预测误差最大达到24%左右，预测的准确性较低。油气田产量预测的准确度影响着公司预算的安排，从而影响了公司的运营成本。

绝对产量误差比较图和模型误差率比较图如图1和图2所示。图1和图2的横轴为年份，纵轴分别是产量和误差比例。

从图2可以看到，多元线性模型的误差率较小，预测精度较高，误差率最大为 7.4%，而传统的油藏模型误差最大率达到 24%。误差率过大，将影响生产投资的安排，在资源有限的情况下，将过多的资源投入某个不需要的地方，就会降低经营效率。
五、结论
油气田生产具有严格的计划与管理方式，整个排产计划都是围绕预测产量展开，产量预测的准确性是计划工作得以顺利开展的前提，而油气田产量由于受多种动态因素的影响，其预测的准确性会受到这些因素的干扰。本文从动态的变化规律中，寻找相对固定的成本影响因素，借用多元线性回归方法建立油气田产量的预测模型，从而实现油气田产量的动态预测。
从模型预测的结果来看，拟合的曲线基本上反映了生产实际数据的变化趋势，而且预测效果良好。为了保证模型预测精度，可在不断增大样本量上下功夫，在进行多年预测时，可采用滚动式预测，随着生产数据不断丰富而调整相应的预测模型，能够保证模型的预测精度。预计随着时间的推移，新的样本将不断加入，因此将会有更多的采掘成本产出规律从模型中挖掘出来。

主要参考文献：
蔡齐霖，俞毅．关于油气公司盈利预测信息编制和应用的探讨［J］．中国证券期货，2013（5）．
王美石，陈祥光．多元线性回归方法在油田产量预测中的应用［J］．油气田地面工程，2004（11）．
韩荣，祁大晟，吴赞美，闫更平．BP 神经网络在预测石南31油田产量变化中的应用［J］．内蒙石油化工，2010（10）．
李志超，赵正文，钟仪华等．小波神经网络在油田产量预测中的应用［J］．大庆石油地质与开发，2008（10）．
李留仁，焦李成．给予人工神经网络油田产量多因素非线性时变预测［J］．西安石油学院学报，2002（4）．
王俊魁．对油气田产量衰减曲线的理论探讨［J］．石油勘探与开发，1993（4）．
陈元千，胡建国，张栋杰．Logistic模型的推导及回归方法［J］．新疆石油地质，1999（2）．
王涛，陈祥光，李宇峰．油田产量多变量预测模型的优化［J］．计算机仿真，2006（23）．
王小舟．稠油油田生产经营特性及产量与成本相关关系分析［J］．国际石油经济，2009（8）．
 余晓钟，薛瑞鑫，杨洋．低油价时期石油企业管理创新探讨［J］．石油科技论坛，2016（1）．