時間：2023-06-11 09:32:47
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇風險預測方法，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
（一）風險財務的內涵和特征
1.風險財務的內涵。
風險財務主要是指企業在運營或者管理中，在很多不確定因素的影響下，使得企業的財務呈現出一定的風險性，最終可能導致企業的財務管理工作出現較大的偏差。
2.風險財務的特征。
（1）綜合性的特征。企業的風險財務既包括資金籌措和資金結算的風險，也包括在各種因素影響下產生的企業資金風險，涉及到企業的各個部門。
（2）不確定性的特征。導致企業風險財務的原因實際上是相當模糊的，并且這些原因之間是相互交錯、相互影響的，這就使得企業的財政存在著一定的風險。但是，這些因素是難以認識和完全把握的，所以導致企業財政管理工作進行起來有不小的困難。
（3）嚴重的損失。當企業的財務結果與財務目標出現較大差異時，如果差異超出了企業的承受能力，那么企業可能會面臨嚴重的經濟損失。
（二）風險財務管理的概念和特點
1.風險財務管理的概念。
風險財務管理是指在核查清楚企業財務現狀的基礎上，通過采取一些科學有效的手段進行風險管理，以此控制并降低企業的風險，保持企業發展的健康、穩定。
2.風險財務管理的特點。
（1）風險財務管理的覆蓋面十分廣泛，對于企業的各個部門和人員而言，都與企業的財務有著密不可分的聯系，這就使得風險財務管理所涉及的范圍更加廣泛。
（2）風險財務管理工作非常注重應對企業的財務風險，能夠更加科學地應對企業的財政風險。
（3）企業的風險財務管理手段很先進，因為風險財務管理需要對大量的數據進行處理分析，并從中找出影響企業資金風險的因素，所以必須要具備科學的管理手段和先進的管理方法，只有這樣，才能有效提高企業的風險財務管理工作效率。
二、企業風險財務風險管理方法
風險財務預測方法主要就是對企業可能存在的財務風險進行預測，主要的預測方法有專家預測法、資金分析法以及幕景分析法。其中專家預測法主要是利用專家風險財務專業知識，對企業的財務現狀進行深入分析，從而識別出企業財務存在的風險。而資金分析法主要是通過分析企業資金的分布和運動狀態，找出資金在運轉或者使用方面的風險，這是一種比較有效的風險財務預測方法。還有就是幕景分析法，在風險財務預測的過程中，需要深入分析影響企業財務風險的各個因素，并判斷其對企業財政的影響。
（二）風險財務決策方法
企業風險財務管理工作過程中，所涉及到的與財務工作相關的決策有很多，而正確的決策能夠為企業帶來良好的經濟效益和社會效益。所以，風險財務決策也是企業風險財務管理的重要方法，其主要是以風險財務預測方法為基礎，對企業的財務進行綜合性評價，然后選取一個最佳方案。風險財務決策方法的有效性與財務管理工作的信息量、財務決策者的專業素質以及財務決策者應對財務風險的態度之間有著十分密切的聯系。
（三）風險財務控制方法
風險財務控制主要是對企業出現的財務風險及時進行控制，最大程度上降低其消極影響。所以，企業的風險財務控制方法主要包括回避風險、自擔風險兩大類。其中回避風險方法主要是在企業面臨財務風險的時候所采取的，其能夠有效避免財務風險及其所帶來的全部損失，從而保障企業能夠在可承擔范圍內得以正常運行。而自擔風險則是當企業財務出現一些問題時，企業可以對資金進行有效管理，合理預算開支，以此承擔企業的財政風險。
（四）風險財務處理方法
企業面臨財務風險，并選擇承擔風險時，必須要正確、合理地進行財務風險處理。其中對企業的資產進行結算，能夠準確了解企業的財政狀態。同時，當企業的財政資金出現嚴重不足時，應該采取一切有效的方式方法籌集資金，轉變企業的財政危機，保障企業能夠順利解決財政問題，降低經濟損失。
三、企業風險財務管理的影響因素
（一）經濟因素
企業的風險財務管理的主要影響因素就是經濟因素，其主要表現在企業的效益和利潤方面。在企業經營發展過程中，企業競爭是不可避免的，而競爭對手對市場份額的蠶食會導致產品材料的成本上升，從而在很大程度上降低企業經營的利潤和效益。
（二）非經濟因素
除了經濟因素，非經濟因素也是影響企業風險財務管理的主要因素，這主要體現在企業經營的目標上。企業在經營發展過程中，目標是否清晰直接影響著企業的長遠發展。有很多企業投資人都將企業目標的合理性和清晰度作為參考標準。而且在科學合理的發展目標的引領下，企業的組織結構、管理制度以及員工素質等都會影響企業目標，也都會影響企業的風險財務管理。
四、企業風險財務管理的解決對策
（一）建立有效的監督機制
企業在風險控制方面，會制定很多的對策措施，但是真正貫徹落實的，發揮作用的相對較少。這主要是因為監督機制不完善，無法及時發現企業在風險控制上的漏洞，而且也沒有對執行性和操作性較差的風險控制措施進行嚴格監督。這就要求企業必須建立完善的、有效的監督機制，以便于及時整改那些貫徹落實不利的風險控制措施，并落實相關負責人的考核制度，以此確保企業制定的風險控制策略能夠切實發揮出最大的效力，從而提高企業的風險控制水平，和防范風險的能力。
（二）充分利用現代風險管理模型
企業可以通過構造等級模糊子集，量化反映被評風險的事物的模糊指標，采用層次分析法對評價的權重集進行計算，利用模糊變化原理綜合評斷指標，這是一種實現定性、定量相結合的評價方法。以模糊數學原理為基礎，在企業風險整體評估上應用模糊風險評價模型。不同的風險要素在具體風險分析案例中所呈現的重要程度是有差異性的，所以必須要賦予每個風險相應的權重。
（三）建立健全的、規范的、科學的決策體系
企業在運行環節存在風險，主要是由于不科學的決策導致的。所以，建立規范的、科學的決策體系是非常有必要的。企業在進行決策前，需要充分做好調研論證，建立一個健全的、科學的決策體系，全面降低出現財務風險的概率。而且決策體系必須健全，其中的決策程序、決策標準都要公開，而高層決策時，必須要聽取員工的良好建議，最大程度上降低企業財務風險的損失。
本書是在《微生物定量風險分析》第1版的基礎上修訂的，共歷時14年。書中涉及的微生物從第1版中的食源性細菌、病毒、單細胞動物拓展到近幾年新發現及流行的冠狀病毒、流感病毒、生物恐怖因子以及人畜共患病病原體等。在本版中作者延續了第1版中的風險評估方法，并在此基礎上增加了一些新的內容，包括現代病原微生物分析方法、預測微生物學（病原體生長與凋亡）、風險分析模型以及人群中疾病擴散模型等。同時本版也刪除了一些內容，如，不再反映微生物劑量應對指標的復雜圖表等。
本書共分為11章：1.動機，主要介紹傳染病的流行趨勢、現有手段、覆蓋范圍、定量微生物風險分析的潛在目標、特定地域的估計、地域集綜二次傳播、地方性傳染病暴發案例等；2.微生物病原體與傳播，按照三種分類法分別描述各類病原體的特征、臨床特點、潛伏期以及宿主特征。這三類分別為種群分類（真核、原核、病毒、類病毒）、微生物分類（病毒、細菌、單細胞動物）、傳播途徑分類（呼吸道、皮膚接觸、食道）；3.風險評估范例，通過案例詳細介紹風險評估――定性或定量評估在人群或個體中潛在對健康不利因素的分析方法，例如，化學品風險評估、生態環境風險評估、微生物潛在風險評估、微生物定量風險評估過程和發展等；4.危險品標識是識別治病微生物病原體的標志，詳細描述不同的標識；5.定量微生物風險分析方法，著重講述不同的微生物分析方法，從不同的病原體采集方法到針對細菌、單細胞生物以及病毒的分子生物學檢測方法；6.疾病的暴露評估，通過大量的數學公式以及統計方法分析病原體的載量與疾病在人群中暴露的關系；7.預測微生物學，通過大量數據與統計學方法預測微生物病原體的生長與凋亡過程；8.微生物劑量反應評估，通過不同的模型與數學算法詳細描述病原體的載量與患病率、死亡率、及潛在免疫狀態的影響；9.不確定，本章列舉出了一些在風險評估中的不確定因素。10.人群疾病傳播，主要通過模型來分析人群與社區中的疾病傳播過程、潛伏期、以及相對應的檢測方法男；11.風險特征與決策，作為本書的最后一章，概括了全書的內容并指出當風險評估的定量分析結果需要一個定性的決策時，還需要考慮很多其他因素。
本書作為全面介紹微生物風險評估的專業教材，既滿足各高等學校生物類、環境類、 生物工程類、公共衛生、微生物類學科本科教學的需求，同時也滿足不同層次和其他相關專業研究生的教學需要。
馬雪征，碩士，助理研究員
（中國檢驗檢疫科學研究院，衛生檢疫研究所）
作為重要的人工智能分支領域，神經網絡是用來處理非線性問題的有效工具。在特性上，神經網絡具有較好的非線性映射能力，并且具有較好的適應性和容錯性。在應用神經網絡進行問題的計算時，不需要先驗模型就可以直接從數據中獲得學習規律。所以，可以用神經網絡解決一些傳統數學方法難以解答的問題，也可以完成對建模困難的復雜問題的處理。所謂的建筑經濟管理，其實就是對建筑活動進行有效的預測和控制。在這一過程中，需要完成對建筑活動的真實描述和分析，并利用規律完成對各種現象的合理解釋。但在實際工作中，建筑經濟管理將涉及大量的變量，并且大多變量具有模糊性。在這種情況下，變量與常量之間常常體現出非線性的關系，繼而難以利用傳統數學解析式完成對變量的合理解釋。而就目前來看，在建筑經濟管理方面，利用神經網絡可以解決管理中的復雜問題的處理。在工程造價預測、經濟預警和招投標等多個方面，神經網絡都具有較好的應用前景。
2建筑經濟管理中的神經網絡的應用
2.1在造價預測方面的應用
在建筑工程造價預測方面，神經網絡可以應用于工程費用的估計。利用BP網絡可以構造出工程成本預測模型，并真實完成對工程生產、管理等各個環節活動的模擬。而通過分析成本的各種組成，并完成對工程價值鏈構成的跟蹤，則可以適應工程的成本變化，繼而完成對工程造價成本的預測。就目前來看，已經有工程實例對神經網絡在造價預測方面的應用進行了驗證，而其取得的應用效果顯然要好于傳統方法。在應用神經網絡進行工程估價時，可以利用網絡的“特征提取器”完成對工程特征的提取。從大量的工程資料中，神經網絡可以找出預算資料與工程特征之間的規律關系，并且完成對其它因素造成的資料偏差的糾偏，以便確保預測結果的有效性。此外，由于神經網絡采用的是并行方式進行數據的處理，所以其能夠盡快完成工程造價預測，繼而滿足建筑工作的造價分析需求。而利用神經網絡完成工程造價預測，則可以幫助建筑承包商更好的完成項目資金的管理，繼而避免出現資金短缺等問題。
2.2在風險預警方面的應用
在建筑管理活動中，將存在財務風險、金融風險和市場風險等多種風險，繼而使建筑經濟管理具有一定的風險性。而利用神經網絡可以完成對風險的預警，繼而使建筑經濟管理的風險性得到降低。在利用神經網絡進行工程經營風險和收益的評估時，神經網絡系統可以算作是一種投資決策工具。具體來講，就是需要對神經網絡的非線性映射和模式分析能力進行利用，以便建立動態的風險預警系統。在此基礎上，則需要將風險來源因素當做是系統的輸入單元，繼而得出相應的風險等級，并得出風險可能出現的區間。而輸入的風險來源因素有多種，如項目復雜程度和不可預見因素等等。就現階段來看，一個風險預警系統需要由多個神經網絡構成，比如建筑項目投資風險預警系統就由多個ART網絡、BP網絡和一個MAXNET網絡構成。
2.3在工程投標方面的應用
在激烈的市場競爭環境中，建筑企業需要提前分析出影響工程項目投標決策的因素，以便在競爭中取得勝利。而涉及的因素包含了市場條件、競爭對手情況和工程情況等多個領域的內容，并且因素本身多為模糊變量，所以很難確定因素對投標報價的影響。但是，利用神經網絡則可以根據以往相似工程信息分析出因素與投標報價之間的關系，繼而完成對工程報價的推理。而承包商根據這一推理結果，則可以確定需要采取的投標策略。同時，結合工程造價預測結果，承包商則可以完成對投標價格的確定，繼而獲得更大的競爭優勢。就目前來看，神經網絡在工程投標管理方面已經取得了一定程度的應用，有關的工程投標報價決策支持系統和招投標報價專家系統已經得到了提出[4]。通過將管理費率、競爭對手情況和市場條件等因素輸入到系統的輸入層，則可以得出工程投標報價的報價率。
2.4在其他方面的應用
除了以上幾個方面，神經網絡在建筑經濟管理的其他很多方面都可以得到應用。首先，在建筑企業管理者制定經營決策時，神經網絡可以為管理者提供決策支持。就目前來看，雖然可以利用統計學模型幫助管理者制定決策，但是這些方法無法處理數據不完整的復雜非線性問題。而神經網絡可以從不可預見的數據中總結規律，繼而為管理者解決復雜問題提供決策支持。其次，想要降低建筑工程成本，還要使工程資源得到優化配置。但就目前來看，沒有數學模型可以完成對設計變更和設備條件等各種要素的影響效果的分析，繼而難以幫助管理者合理配置建設資源。而神經網絡可以完成對資源的預測，并確定資源的優先級，繼而可以幫助管理者優化資源配置。此外，利用神經網絡可以完成對已有數據和信息的全面分析，繼而幫助管理者選擇建筑材料、設備和施工方法。
3結論
關鍵詞：支持向量機；預測；煤炭需求量；序列預測
中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2014）20-4906-03
Coal Demand Prediction Based on a Support Vector Machine Model
XU Xiao-bing1，SHI Xing-yan2
（1.Zhengzhou Railway Vocational and Technical College， Zhengzhou 450052， China；2.Henan Vocational College of Agriculture， Zhengzhou 451450，China）
Abstract： In order to reduce the waste caused by excessive exploitation of coal issues and traditional coal demand forecasting method can not handle the small sample local minima problem， the article presents a support vector machine （SVM） forecasting model. This method is suitable to forecast demand of coal is transformed into series forecasting. This article discusses the basic principles of support vector machines， and also construct a multi-input， single-output SVM prediction model. Test results show that the traditional methods of coal demand forecast is very obvious advantages， with good use of space and market value.
Key words： support vector machine； prediction；coal demand； Series Prediction
國內能源消費的近四分之三是煤炭，所以說我國最重要的基礎能源就是煤炭。煤炭產業在我國經濟與社會發展中扮演著非常重要的角色。但是經常會出現過度開采，導致煤炭過剩的現象，這就造成了煤炭資源的浪費[1]。為了避免這種情況的出現，同時保證經濟發展的需求，有必要對煤炭的需求進行科學正確的預測。目前預測的方法很多，常用的有神經網絡、灰色系統模型預測法。但是這些預測方法都存在一些問題，比如神經網絡預測法存在局部極小值問題，灰色系統模型預測法無法很好的處理好小樣本、局部極小點的問題[2]。
為了解決傳統煤炭需求預測方法存在的問題，文章提出了支持向量機的方法，此方法是基于系統學的VC維（ vapnik-chervonenks dimension）理論的一種機器學習方法。其最基本的原則是結構化風險最小化。支持向量機核心思想是通過求解線性約束的二次規劃問題，從而能很好地得到全局最優解。
此算法的論述，主要處理時間序列預測，需要構造一個合適的基于支持向量機的預測模型。所以把煤炭需求量的預測轉化為這樣的方式進行處理。為驗證此算法的正確性，文章還和基于RBF 神經網絡的預測模型作了比較。
1 支持向量機的基本原理
此算法中，回歸函數的估計是通過支持向量機算法實現的。設f是非線性映射，x是輸入空間的映射，在進行這一高維空間做線性回歸處理之前，必須通過f把x映射到一個高維特征空間中[3]。
設需要的數據點集可表示為：
式（1） 中，xi，yi分別表示輸入向量和期望值，n表示數據點總數。
通過支持向量機算法進行函數估計的表達式為：
式（2） 中，f（x）表示非線性映射，w和b是系數，其最小化的估計式可表示為：
式（3） 中，Le表示損失函數，[C1ni=1nLε（yi，f（xi））]是經驗風險，[12w2]是能把函數變得更平坦的正則化部分[6]。C是懲罰參數，可以通過這個參數讓經驗風險與正則化部分達到一個很好的平衡狀態。e不敏感損失函數可表示成：
通過式（4） 可以很好的度量經驗風險。同時式（3） 的凸約束條件下的二次凸規劃問題也可以通過此時進行歸納：
式（5） 中，xi，xi*是松弛變量。其約束項可表示為：
通過對偶理論可以完成對式（5） 的求解。在求解之前必須轉化為二次規劃問題。設K（x，y）=f（x）?f（y），則優化問題的對偶式可表示為：
式（7） 的約束項為：
式（7） 中，K（x，y）表示核函數，并且K（x，y）= f（x）?f（y），其他的核函數還有：
多項式核函
基于徑向基函數（ RBF） 的核函數
Sigmoid 核函數
所以回歸函數可表示成：
2 支持向量機模型
2.1 預測模型的建立
設一個時間序列為：{X（t），t=1，2，…，n}，次序列表示往年的煤炭需求量，其預測模型可表示成：
式（13） 中，p是嵌入維數。
文章中使用的支持向量機預測模型的最重要的特點是具有多個輸入端，輸出端只有一個。
2.2 核函數的選擇
文章選用基于徑向基函數最為核函數的理由有：
第一，此函數能夠很好地解決線性核函數無法解決的問題，比如類標簽和屬性間非線性的關系問題。這是因為此函數具有一個重要的特點，那就是能把樣本非線性規劃到更高維的空間中。
第二，模型選擇是否簡單主要是看核函數參數的數目的多少。和多項式核函數參數數目相比較來說，此函數的數目是比較少的，這樣就能使模型更加簡單。
第三，函數數值限制條件的多少也是選擇核函數很重要的一個參考值，此函數的限制條件比Sigmoid 核函數少得多，同時其數值都是介于0和1之間，便于處理。
3 測試結果和分析
通過式（14） 把樣本皈依到[0，1]，因為這樣提高訓練速度。
式（14） 中，[X（i）]是經過歸一化處理的序列值，Xmax是最大值Xmin是最小值。
設p=5，通過支持向量機模型進行訓練和檢驗。文章的核函數使用的是基于徑向基函數，構建模型的參數設置為：e=1×10-7，u=2.4，C=10。通過此方法進行預測未來的用煤量，具體的結果曲如圖1所示。
文章還使用RBF神經網絡進行預測實驗，把結果進行對比能跟好的看出文章使用方法的優越性。設分布密度是0.53。預測的結果可以通過2個參數進行衡量。
預測最大誤差（ ME）可表示成：
平均絕對百分比誤差（ MAPE）可表示成：
式（15） 和式（16） 中，[X′i]是預測值，[Xi]是真實值。M是預測序列個數。
兩種方法的對比結果如表1所示。
從最終的對比結果可以看出，支持向量機模型的預測方法好比RBF模型好。這是因為，支持向量機模型可以通過常數進行調整，這樣就能大大較小誤差，同時還可以實現回歸函數平滑，提高泛化能力。
4 結論
文章主要論述了通過支持向量機進行煤炭需求的問題，把煤炭需求的預測轉化為序列預測的問題。文章中不但論述了支持向量機的基本原理，還建立的支持向量機預測模型。測試結果表明和傳統的煤炭需求預測相比，優越性非常明顯，具有很好的應用空間和市場價值。
參考文獻：
[1] 寧云才.煤炭需求預測的復合小波神經網絡模型[J] .煤炭學報， 2003（1）.
關鍵詞：風險；財務風險；管理
一、引言
隨著我國市場經濟體制的建立和改革開放的不斷深入，企業與市場的聯系更加廣泛，存在著各種難以預料或無法控制的因素，因而企業經營活動的過程和結果都具有很大的不確定性，從而使企業財務活動表現出風險性。在這種情況下，全面認識企業的財務風險，研究財務風險的有關內容、成因及其如何防范是企業管理部門普遍關注的問題。本文擬在分析企業財務風險內容、成因的基礎上，尋求化解和防范財務風險的有效途徑。
二、企業財務風險管理概述
1.風險的定義及特征
風險就是事物發展的不確定性，這種不確定性存在著兩種可能的趨勢，一種是未來實際結果比人們事先預期結果要好，即風險收益；另一種結果是比人們預期結果要差，即為風險損失。事實上，在未來的結果實際出現之前，兩種可能性都是存在的。風險主要特征體現在以下三個方面：客觀性、不確定性、損益性。
2.企業財務風險管理
（1）企業財務風險管理的意義
企業財務風險管理是指企業在充分認識其所面臨的財務風險的基礎上，采取各種科學、有效的手段和方法，對各類風險加以預測、識別、預防、控制和處理，以最低成本確保企業資金運動的連續性、穩定性和效益性的一項理財活動。
財務風險管理作為企業風險管理的重要組成部分，其意義是巨大的。它為企業全面、經濟和有效管理風險提供了可能；為穩定企業財務活動，加速資金周轉，保證資金安全、完整和增值提供了可能；增加了企業決策的科學性和有效性，是企業經營決策中的數據庫和信息庫；為企業提供了一個相對安全穩定的生產經營環境；對企業實現或超額實現經營目標，戰勝風險，提高效益，增強實力，使企業立于不敗之地具有重大的作用。
三、企業財務風險的內容及成因
財務風險是企業經營總風險在財務活動上的集中表現，包括了企業財務活動本身各方面所面臨的各種風險。企業財務風險按照財務活動的基本內容分為籌資風險、投資風險、資金回收風險和收益分配風險四種。
1.籌資風險
隨著現代企業制度的建立，企業成為獨立的經營主體、市場主體、投資主體、利益主體和責任主體。企業必須采取多種方式、多渠道籌集資金，以滿足生產經營和企業持續發展的需要，這就不可避免的存在一定的籌資風險。籌資風險是指企業籌資后不能按既定目標取得資金使用效益而無法按要求履約，以滿足資金供應者預期結果和實現企業財務管理目標的可能性。在市場經濟條件下，企業籌資的方式較多，如吸收直接投資、發行股票、發行債券、銀行借款、商業信用、融資租賃等等，但從這些資金的產權來看，可分為借入資金和自有資金兩類。在企業籌資總額一定的情況下，借入資金與自有資金的結構比例不同，也會影響到借入資金的償還，再由于負責費用不隨經營成果的變化而變化，且在稅前列支，具有所得稅抵減效應，從而加劇了企業所有者權益變化的不確定性，這種風險是與籌資結構有關的風險，故稱為籌資結構風險。因此我們認為，籌資風險具體包括借入資金風險、自有資金風險和籌資結構風險。
2.投資風險
投資風險是指投資項目不能達到預期效益，從而影響企業盈利水平和償債能力的風險。企業投資風險主要有三種：一是投資項目不能按期投產不能盈利；或雖已投產，但出現虧損，導致企業盈利能力和償債能力降低。二是投資項目無虧損，但盈利水平很低，利潤率低于銀行存款利息率。三是投資項目既無虧損，利潤率也高于銀行存款利息率，但低于企業目前的資金利潤率水平。
3.資金回收風險
資金回收風險就是指企業產品售出后，從成品資金轉化為結算資金，再從結算資金轉化為貨幣資金，這兩個轉化過程，由于在時間上和金額上的不確定性所導致的風險，在社會主義市場經濟條件下，企業一律進入市場，公平競爭，為了搞活經濟、礦大銷售、企業廣泛采用了各種賒銷方式。這種情況一方面為企業的發展提供了機遇，另一方面也加大了企業資金回收風險，大大加強了壞賬損失的可能性。對于這種信用風險，最好的防范措施是，在事前充分了解融資對方的資信狀況，不可輕易拖欠。對已發生的“三角債”，盡管清償債務困難重重，仍應借助于法律程序，以積極的態度尋求適當的拖欠辦法。
4.收益分配風險
收益分配是指企業的財務成果即利潤對投資者的分配。收益分配風險是指由于收益分配而可能給企業未來的生產經營活動帶來的不利影響。在企業效益有保證、資金運轉正常、調度適當的情況下，合理的收益分配會調動投資者的積極性，提高企業的商譽，給企業今后的籌資活動奠定良好的基礎。但是收益分配也有風險，因此企業無論是否進行收益分配，也無論在什么時間，以什么方式進行，都具有一定的風險。
四、企業財務風險管理的基本方法
企業財務風險管理方法是企業為避免或減少風險，在財務風險預測、決策、防范和處理這一整個連續管理的過程中，用來完成財務風險管理任務的手段和基本工具。
1.財務風險預測方法
財務風險預測方法是指通過對企業風險的識別和估量，找出企業所面臨的各種風險及這些風險對企業財務的影響所運用的方法。它包括風險識別法和風險估量法。
2.財務風險決策方法
有人曾指出：最大的收益是決策的效益，最大的浪費是決策的失誤。決策在財務風險管理中同樣至關重要。財務風險決策就是在企業財務風險預測的基礎上，通過對企業風險的綜合評價，為完成決策者所期望的目標而選擇一個最佳方案。進行財務風險決策，有三個方面的重要因素：一是決策者擁有的信息量，二是決策者自身的綜合素質，三是決策者對待風險的態度。
風險預測是風險決策的基礎工作，而風險的防范和處理是風險決策的保證和善后環節，因此財務風險決策是整個財務風險管理的中心環節。
3.財務風險預防與控制方法
財務風險預防與控制就是企業在識別風險、估量風險和分析風險的基礎上充分防御，有效控制風險，用最經濟的方法把財務風險可能導致的不利后果減少到最低限度的管理方法。企業財務風險的防控就是使財務風險不影響企業的生產經營活動，不影響企業的效益。財務風險預防和控制的方法分為分散風險法、回避風險法、轉移風險法和自留風險法四大類。
4.財務風險處理方法
財務風險處理是對企業在生產經營活動中為預防和控制風險而發生的一切支出以及由于風險結果的出現而引起的損益進行核算和分配，借以考核企業風險管理績效。它包括風險會計核算和風險損益處理兩個方面。
五、結束語
綜上所述，企業財務風險管理是企業風險管理的重要組成部門，無論是理論還是實踐運用，對企業均有重大的意義。隨著我國經濟的發展，企業財務風險管理必將得到極大的關注，并用之于實踐，形成財務與管理的最佳結合。
參考文獻：
[1]程德興.企業風險財務管理研究.北京：石油工業出版社，1998.8
財務公司流動資金的管理、運用是整個公司經營的關鍵，財務公司流動資金既要保證成員單位資金的正常支付，防止流動性風險的發生，又要提高資金使用效率，因此財務公司未來資金的預測對資金的有效運用起著非常重要的作用。通過預測，為財務公司的風險管理和資金合理運用提供幫助。選擇合適的預測方法以及是否使用得當對財務公司的未來業務發展起著非常重要的意義。
二、概念及構成
財務公司流動資金是指存放在各商業銀行的同業存款的可用資金。其資金主要來源于吸收成員單位的存款、自有資本金以及財務公司各種融資業務所增加的存款。資金的使用主要分為三部分，第一部分：需要繳存的法定準備金；第二部分：保證成員單位正常業務支付的資金；第三部分：除上述資金外財務公司自身能夠支配的剩余資金。其中，第二部分資金預測的準確性是資金預測方法中的關鍵部分，也是預測中的難點。因為這部分資金是由成員單位控制的，而且資金金額可能巨大，它的變動會對財務公司資金產生很大的影響。
三、財務公司流動資金的影響因素
（一）成員單位的資金結構。財務公司流動資金主要來源于成員單位的存款，成員單位的存款結構及資金波動等因素是影響財務公司流動資金的主要因素。
1、成員單位的存款結構。成員單位存款按照存款期限分為活期存款和定期存款。活期存款為成員單位日常經營活動使用的資金，這類資金流動性強，每日資金流量大，財務公司必須存有一定量的備付資金保證單位資金正常運行，這類資金是財務公司流動資金預測的重點和難點。定期存款分為三個月、六個月、一年期限，這類存款存期長、資金穩定，是財務公司資金可利用的最佳資源。
成員單位存款按照存款金額分為重點大客戶存款和一般客戶存款。如果存款余額高度集中于重點大客戶，則單位大額資金支付現象將會增多，引起資金波動較大，導致資金不穩定；相反，存款余額分散在一般客戶，其分散度越大，資金則越穩定。
成員單位存款按照存款用途分為日常性生產經營存款、特殊存款。日常性生產經營存款指成員單位在生產經營過程中發生的貨款、稅費、工資及其他生產經營性費用等存款。特殊存款指成員單位臨時性倒貸、投資、其他特殊性存款。日常性生產經營存款資金變動有一定周期性規律，資金相對穩定；特殊存款具有金額大、留存時間短、無規律性等特點，財務公司很難利用該類資金進行有效運作。
2、成員單位資金變動流量。財務公司運用資金進行投資、融資的首要條件是必須保證成員單位資金的支付，結算資金的變動是由成員單位所控制，其資金變動額越大，所需要備付的頭寸就大，沉淀資金就越少，因此，它的變動對財務公司的頭寸產生很大的影響。
（二）財務公司合作銀行分布數量。財務公司合作銀行分布數量對財務公司資金流動性也會造成影響，合作銀行數量越多，同業資金越分散，使用效率降低，流動性越差。所以，要按照成員單位存款結構等因素合理分配資金，防止因個別合作銀行資金不足造成員單位資金無法支出。
（三）財務公司資金管理。財務公司在保證成員單位支付資金正常運行的同時，還承擔著增加資金收益，提高資金運作效率的職能。財務公司選擇金融工具的變現能力強弱、是否精細化，將直接決定財務公司流動性資金的風險，所以除了要提高資金計劃工具的精細化程度外，還需要合理地運用貸款、票據貼現、法人賬戶透支等金融工具，否則，將會加大流動性風險。
（四）外部環境影響。成員單位的存量受外部經濟環境及企業自身經營狀況的影響，在國家宏觀經濟政策寬松、企業經營良性循環時，成員單位資金相對充裕，存量穩定，財務公司可利用的沉淀資金也會增加，反之，成員單位資金存量降低，增加流動資金風險。
四、流動資金預測方法
財務公司流動資金預測是以歷史數據和現實調查資料為基礎，對未來流動資金的需求量所做的推測和預測。
（一）歷史數據分析
1、成員單位存款結構分析。財務公司流動資金主要來源于成員單位存款，其中，活期存款是影響同業資金變動的主要因素，重點大客戶的存款變動情況是活期存款變動的關鍵部分。
2、資金變動情況分析。財務公司流動資金預測的目的，是能夠保證財務公司資金達到最佳持有量，既能保證成員單位的資金正常支付，又可將資金得到充分合理運用，從而使價值最大化。通過歷史數據分析，掌握成員單位日常業務和特殊業務大額收支凈額變動情況，尋找留存資金最佳持有區間。
成員單位資金在收入、支出過程中，成員單位資金凈額（當日現金流入量-當日現金流出量），是財務公司必須要保證的最低資金支付量。成員單位收付資金包括特殊業務資金（包括貸款、投資、其他特殊資金）和日常性業務資金。特殊業務資金變動無規律、金額大、存期短、必須在一定期間內保證支付，很難利用；日常性業務資金，反映成員單位日常性業務資金變動情況，主要包括成員單位貨款、稅費、工資及其他生產經營性費用、銷售收入等，具有一定的變動規律，資金可以長期沉淀，是財務公司基礎存款額的重要組成因素。
另外，在成員單位資金收、支變動過程中，除上述保證成員單位凈額外，還需要備足一定的資金，以預防特殊情況發生。
（二）成員單位未來資金計劃。掌握成員單位未來的資金收支計劃，是財務公司預測流動資金的重要因素，是保證預測資金準確性的前提條件。財務公司需制定成員單位資金收支計劃表，周期性了解重點大客戶的大額資金收支計劃，為財務公司下一周期的資金合理運用提供依據。
（三）資金預測方法
1、通過以往歷史數據分析，按照周期性資金變動掌握成員單位日常資金收支凈額及預防特殊意外支出的備付金，確定財務公司資金基礎存款額作為資金最佳存量。
基礎存款額=單位日常收支凈額+備付金
2、以上一周期財務公司資金余額為起點，在基礎存款額的基礎上，根據下一周期成員單位大額資金收支計劃，預測出下一周期財務公司余額。
預測的資金余額=上一周期資金余額±單位計劃大額收支凈額±預繳法定準備金
3、根據財務公司預測資金存量的結果，若低于基礎存款額，通過拆借、票據融資等手段補充資金，保證單位正常支付；若超出基礎存款額，超出部分可進行合理運用。
財務公司可運用的資金=預測的資金余額-基礎存款額
五、存在的問題
財務公司資金預測是否準確主要依賴于成員單位資金計劃的準確度。成員單位因自身掌握的信息不及時、不全面，未形成制度化，缺少信息的準確性、規范性，為財務公司預測帶來了很多不確定性。
關鍵詞： 負荷預測；數學統計；人工智能
DOI：10.16640/ki.37-1222/t.2016.11.198
0 引言
自上世紀70年代開始，國內外對電力系統負荷預測的研究熱情逐漸升溫，進入上世紀80年代，我國步入到大力發展經濟建設的階段，電力需求極度旺盛，然而能源又極度緊張，電力供電一度出現供應不足的情況，負荷預測開始成為電力公司一項必要的日常工作任務。20世紀90年代，全球電力市場化層層滲透，隨著科學技術的迅猛發展，新的預測方法層出不窮，為電力負荷預測問題的研究提供了后備力量。
長久以來，國內外學者以及電力相關從業人員在長期的實踐研究過程中，不斷探索負荷預測新方法，隨著近年來各種數學模型的涌現，以及人工智能的發展，出現了不少新穎的預測方法，這些方法大概能分成兩大類別：一類是數學統計類的經典預測方法，比如回歸分析法、趨勢外推法、時間序列法等；另一類是人工智能類的新型預測方法，如80年代后期流行的專家系統法、90年代后期發展起來的人工神經網絡法等。下面分別介紹這些主要預測方法。
1 回歸分析法
回歸分析是一種經典統計學上分析數據的方法，通過對歷史負荷數據進行統計歸納分析總結，尋找預測輸入變量與影響負荷變量之間的某種相關的線性或非線性關系，并以此關系的規律建立數學模型，從而實現對未來負荷的基本預測。簡單來講就是建立自變量與因變量之間關系模型，依照變量數目的不同，一般分為單元和多元回歸分析。該方法原理成熟、計算簡便、運算速度快，但是過分依賴歷史負荷數據，對樣本容量需求過大，對平穩的且大量的歷史數據有著不錯的預測效果，但是在遇到氣溫，節假日等變化較大因素的影響下，該方法無法反映實時與非線性的影響關系。
2 趨勢外推法
節假日、社會環境、天氣變化會對電力負荷波動造成干擾，盡管在形成這種具有隨機性、不確定性的情況下，電力負荷總是本質的保持著一定的波動趨勢。我們可以在其中找出負荷的這種趨勢，根據這些負荷變化的相關歷史趨勢，擬合一條負荷波動趨勢曲線，按照這條擬合出來的曲線的發展趨勢，估計曲線上在未來某點的負荷變化，根據不同的負荷波動，采用不同的曲線擬合，這就是所謂的趨勢外推法。此方法優點與缺點同樣突出，優點是所需歷史負荷數據樣本較少，特點是作趨勢向外推斷，完全忽略分析內部的不確定成分，缺點是對影響因素變化大的因子無法考慮進來，如果負荷波動較大，那么誤差將會增大。
3 時間序列法
時間序列分析法是將歷史負荷變化所產生的變化規律，依照時間的先后順序進行排序，以時間為軸揭示負荷隨時間變化而變化的發展規律，利用這種對應關系，就可以將過去時間里發生的負荷變化規律作為未來時間里負荷變化的預測根據。同樣，時間序列法在電網正常運行，受外部環境影響變化小的平穩狀態下具有良好的預測精度，但是對時間序列的平穩性要求過高，一旦負荷受到特殊事件（如停機等）不確定性因素的影響，那么該方法也將失去其預期的效果。
4 專家系統法
專家系統其實是一種復雜的計算機程序設計系統，將計算機模擬成負荷預測的人類專家，基于歷史負荷變化知識數據庫，匯集人工經驗智能的利用計算機處理負荷信息，按照專家水平進行預測判斷工作。專家系統結構如圖1所示。在處理節假日等需要依靠人工經驗來判斷的不確定性影響因素對負荷影響產生較大的變化時，此方法有取得了很好的效果，但是各個地區的電力環境不同，造成計算機程序復雜，數據龐大，能否準確的對各個因素對負荷造成的影響進行定量分析成為了一個較為難以克服的困難。
5 人工神經網絡法
人工神經網絡是模擬人腦智能化地處理信息的人工智能預測方法，它通過學習獲得最優的參數，處理預測輸出與輸入影響變量之間復雜的非線性關系，對于分析處理任意復雜的非線性關系問題以及隨機的不確定性問題有著良好的解決問題能力。正因為它具有出色的學習能力，預測過程中都可以隨時不斷地選擇新的訓練樣本來優化和微調系統參數，這樣對非結構性、模糊性的規律具有一定的自適應功能，避免了數學建模的困難，也提高了系統計算的時間，相比較前面介紹的四種方法，它還能考慮并反映出各種不確定性因素（如氣候、特殊事件、節假日因素等）對負荷造成的干擾影響，更加適用于短期負荷預測。但是，人工神經網絡預測也存在許多缺陷，網絡的層數和神經元的選擇基本上要依靠經驗反復實驗幫助確定，且網絡收斂慢，容易陷入局部收斂。它本質上是一種基于經驗風險最小化的方法，范化能力有限，另外在小樣本學習方面也受到了不小限制。
6 支持向量機法
支持向量機（Support Vector Machines， SVM）是由BELL實驗室的Vapnik 等人在20世紀70年代中期提出的一種新型機器學習算法，因其卓越的性能，在模式識別和處理函數回歸估計問題等諸多領域內受到了各研究學者們的強烈青睞。支持向量機與傳統的人工神經網絡預測方法所采用的經驗風險最小化歸納原則是截然不同的，它實現了結構風險最小化（Structure Risk Minimization， SRM）的歸納原則，對未來樣本的泛化能力明顯增強。從理論上說，SVM的訓練相當于解決一個線性約束的二次規劃問題，所以必然存在解，獲得的將會是全局最優解，這樣就無形解決了人工神經網絡預測方法中根本無法規避的局部極值問題。對應的支持向量本質上是訓練樣本集的子集，對訓練樣本集進行分類實際上就是對支持向量進行最低分類。 當Vapnik引入ε-
（下轉第208頁）（上接第215頁）
不敏感損失函數之后，支持向量機由原來解決簡單的模式識別問題擴展為解決復雜的非線性回歸估計問題，我們把這一擴展內容稱之為支持向量回歸法（Support Vector Regression， SVR）。將各種負荷影響因子的歷史信息作為系統輸入量，建立訓練樣本空間，采用非線性映射變換方法將低維空間映射到高維特征空間，構造線性函數進行線性回歸，巧妙地解決了維數問題，構建SVM目標函數，將訓練好的預測模型應用于電力系統的負荷預測中去。影響電力系統短期負荷預測精度的因素包括日照、氣溫等氣象因素及國家政策、節假日因素等其它不確定性影響因素。可見，電力負荷由于這些因素的影響，本身就是一個復雜的非線性系統，而SVM模型求解算法簡單、泛化能力強、收斂速度快，在解決有限小樣本、非線性系統及高維識別問題中具有超群的優越性，如果將其置于短期負荷預測上，顯然SVM方法比起上述其他預測方法更加適用于電力系統本身。隨著機器學習，支持向量機的不斷發展，在此基礎上不斷改良的支持向量機預測方法逐漸涌現，人們追求更高的預測精度的訴求一直在不斷擴進。同時，尋找滿足適合各類電網環境的負荷預測新方法也成為了人們繼續研究的新命題。
7 結束語
本文通過分析基于數學統計的經典預測方法和基于人工智能的新預測方法，將回歸分析法、、趨勢外推法、時間序列法、專家系統法、人工神經網絡法、支持向量機法進行了比較分析，得出支持向量機是當前最合適的一種方法。
參考文獻：
[1]斐樂萍.縣級區域短期電力負荷預測研究[D].華北電力大學，2014.
[2]尹立.基于支持向量機的某區域電網電力需求的預測研究[D].北京交通大學，2014.
1.政策對房地產市場的影響分析。在當前世界各國的經濟體制當中，不管是市場還是政府部門占據主導地位，其都沾有混合經濟的色彩。世界很多國家都是以市場經濟作為主導，當市場經濟失效之后，政府部門會通過宏觀調控的手段，對市場進行一定程度上的調節，促使其回歸正常發展。政府部門在市場干預時，其干預的程度與市場的發育程度相關。我國的房地產市場發展起步較晚，市場經濟發展不夠完善，房地產市場出現了比較明顯的波動，例如在市場運行過程中，存在著很多不規范的行為。對此，政府會通過政治、法律、經濟等各方面的手段，對房地產市場進行調節，保證市場經濟的良好運行。
2.景氣周期對房地產影響分析。在市場經濟的運行過程中，存在著大量的周期循環，上到國家經濟，下到私營企業，都有很多循環。由于房地產的投資數額很大，循環周期也很長，所以其過程中也存在著很多的風險。對此，房地產企業應當掌握最新的市場動態，對市場環境保持高度的敏感，才能有效的避免風險，提高收益。當消費市場發生轉變的時候，房地產企業應當抓住機會，才能在市場經濟下贏得先機。
二、前期策劃階段房地產消費者行為模式
1.消費行為描述分析。房地產消費者購買行為描述可以將其簡單的描述為5W和1H，其中5W分別表示為：誰來買房子，什么地方買房地產，為什么買房地產，買什么樣的房地產以及什么時候買房地產。1H表示為：通過何種方式購買房地產。
2.對消費行為過程的分析。在市場經濟當中，消費者在決定購買時所進行的不只是單獨的行為，而是一連串具有關聯的行為。消費者在選擇購買房地產時，往往會首先進行認知、評價、評價、決策，然后才能確定購買。在認知過程中，消費者可能產生的后續購買行為都是以購買動機為基礎的。因此想辦法激發消費者的購買動機，是十分重要的。對此，房地產企業在進行前期策劃的時候，要細致的分析和探討消費者的實際需求，如何充分的引起消費者的購買興趣，激發其購買動機。
三、房地產市場分析以及相應預測
1.房地產預測的含義和內容。推測和預見可能發生在房地產市場中的不確定因素的發展趨勢，從而做出正確的應對方針，是房地產預測的真正含義和實際作用。房地產市場預測包括了市場的需求預測、購買力預測、市場供給預測、價格變動預測、產品市場占有率預測、社會效益預測以及經濟預測。針對房地產前期策劃和市場調查，應對市場的承載量和政府提供數據進行分析和比較，以此作為房地產企業決策的依據。
2.房地產預測方法。市場預測的方法主要對相應的數據資料進行掌握和了解，分析和研究擬定的預測目標。在實際操作中，有很多不同的方法可以進行市場預測，在不同的領域當中，都存在著各自不同的預測方式。而同一種預測方法，有時也可以對不同的領域進行預測。在對房地產市場中的具體情況進行預測時，會涉及到很多的問題，其內容也十分的復雜。要給予這些細節充分的重視，并從中獲取有用的信息。
3.影響房地產市場預測的因素。當前，我國大多是的房地產企業對于市場預測的認識程度不夠，僅僅只進行了表面數據資料的分析和研究，沒有準確的進行市場定位和目標客戶群劃分。房地產市場需求的影響因素很多，常常以房地產的需求量作為標準，并通過這種標準對房地產的銷售面積和居住水平進行預測。無論是國外學者還是國內學者都對此有所研究，但是其在研究過程中對于影響房地產的關鍵因素卻十分不足，甚至選取的關鍵因素出現偏差。由于我國和世界其它國家相比，市場的發展程度和具體情況都不盡相同，因此，對于能夠對房地產市場產生影響的因素也是多種多樣。國外的房地產市場的發展程度相對比較成熟，其消費者的階梯形較為明顯。因此，對國外房地產市場預測產生影響的因素主要是租金方面的問題。而在我國卻有所不同，由于我國的房地產市場成熟度較低，國人的消費觀念由于國外不同，因此，在對我國的房地產市場進行預測時，不能以租金作為主要因素來進行。
四、結束語
1 遙感技術在疫情監測中的應用現狀
國外在應用遙感技術進行疫情監測方面的研究起步較早。1971年，美國學者Cline首次提出將航空遙感影像作為流行病學研究工具的設想［3］。隨后，美國國家航空和宇宙航行局（NASA）與得克薩斯大學合作研究，對遙感技術在傳染病監測中應用的可行性進行了證實［4］，標志著遙感技術在疫情監測中應用的可行性理論研究與論證工作的開始。在后來的研究中，眾多學者利用諾阿(NOAA)、梅托沙(METEOSAT)等氣象衛星影像數據對氣溫、濕度、飽和差、降雨量、植被覆蓋等與疫情發生與流行有關的氣候環境因素進行研究和分析［5，6］，以及利用斯鮑特(SPOT)、地球資源探測(LANDSAT)、蒂姆(TM)等系列衛星對地形、地貌、植被結構、植被豐度、地表濕度等可以用于疫情識別、預警的地理因素進行研究和分析［7，8］。我國在應用遙感技術進行疫情監測方面的工作起步較晚。但已取得一定成果，包括應用地理信息系統對釘螺、鼠疫、瘧疾等流行病的空間分布、風險分析，以及與降雨量、空氣濕度等環境因素之間的定性、定量關系進行的研究［9-15］，還有應用遙感、地理信息系統等遙感技術對瘧疾、血吸蟲、釘螺等流行病進行趨勢預測研究［16-20］等等。目前國內外在遙感技術支持下的疫情監測研究主要集中在實驗型研究階段，已有的成果僅局限于理論方面的探索研究，相應的理論、方法、模型、技術流程尚不成熟，有關實際應用方面的研究開展的較少，尤其在與綜合減災業務結合方面仍然是一個空白。
2 遙感技術在災后疫情監測中應用的理論基礎
21 疫情暴發流行與環境因子關系密切 蚊媒的孳生、繁殖與自然因素密切相關，其中氣溫、降雨量、相對濕度為主要影響因素［20］。許多疫情的發生和流行與地理位置、海拔高度、空氣濕度、居住環境等空間信息密切相關。研究表明，約80％的流行病學資料具有空間屬性［4］，部分疫情的暴發流行與環境因子密不可分。對這類傳染病來說，監測控制其賴以暴發流行的環境因子，是揭示疫情發生機制、提高疫情防治效率的重要途徑。
22 自然災害導致災區生態環境突變 自然災害發生，除了本身造成社會經濟損失和人員傷亡外，還可能引發疫情，因為災害發生往往會造成災區生態環境的突變。具體表現為：（1）災害可滋生疫情暴發流行環境，加快病原體的擴散和傳播速度，極易造成一些自然疫源性疫病的流行。（2）災害可降低災民的疫情抵抗力，臨時安置的災民往往流動性強、居住環境、生活條件差，機體抵抗力大大降低，增加疫情發生與傳播的機率。（3）災害可破壞災民日常醫療體系，難以及時進行病情診斷和治療，延緩救治時間，擴大疫情傳播、流行范圍。
23 遙感技術是災區疫情監測的重要技術手段 遙感技術能比較快速、準確、客觀地監測地表環境因素的變化，且具有覆蓋面廣、信息豐富、可重復觀測、不受地理環境條件約束等特征。建立災后疫情案例數據庫，基于空間信息技術和傳染病病理學，研究分析災后疫情發生、流行與周圍環境因子之間的關聯關系，并應用數理統計方法確定引發疫情發生與流行的主導性環境因子及其臨界值。當區域災害風險增大時，結合災后疫情案例庫判斷災害可能會引發的疫情種類。在進行災害風險遙感監測的同時，也開展植被結構、植被豐度、降雨量、水系分布、地表濕度、地表溫度等災后疫情主導性因子的遙感監測。然后，綜合分析區域自然因子、傳染病預防與控制物資籌備、傳染病應急處置能力等，進行災后疫情風險分析和預警，為災后疫情的預防和控制提供決策支持依據，災后疫情遙感監測流程見圖1。
3 遙感技術支持下的災后疫情監測體系建設
31 疫情數據庫管理系統 災后疫情數據庫管理系統是遙感技術支持下的災后疫情監測體系建設的基礎，它直接影響著疫情風險預警、評估和救助的工作效率，影響著綜合減災的效率，包括引發疫情的災害案例收集、災后疫情形成機制分析、疫情數據庫管理系統研究開發等內容。其中，災害案例是分析災后疫情成災機制的依據，在收集引發疫情災害案例的基礎上，分析疫情區地形、地貌、相對濕度、海拔高度等居住環境，以及人口密度、居民年齡比例、居民性別比例、居住區植被覆蓋度、水源污染情況等居住條件，并按照災種、時間、區域等標準進行程序化處理。
32 災后疫情風險等級劃分體系 災后疫情是災害事件直接導致的結果。所以，災后疫情風險等級的劃分與災害事件本身密不可分，只有在災害風險分析的基礎上才可以確定災后疫情風險等級。通過分析災害風險，并結合災后疫情案例數據庫，確定災害可能引發的疫情事件類型。然后，綜合考慮災害風險區自然因子（氣溫、降雨量、相對濕度、海拔高度等）、居住環境（人口密度、人口年齡構成、疫情暴發頻次、疫情損失等）、預防與控制物資儲備（救災物資、疫苗、藥物、醫療器械等）、預防與控制能力（衛生處理能力、應急響應能力、醫療水平等）等，在空間信息技術與數理統計模型的支持下，建立風險評價指標體系與方法體系，對災后疫情風險進行等級劃分。
圖1 災后疫情遙感監測流程圖（略）
一般情況下，以一個相同的指標體系對不同的疫情進行風險評估是可行的。但是，由于不同疫情暴發與流行的媒介生物、病原體及其他影響因素不盡相同，而且災民對傳染病的抵抗力也存在很大差異。所以，在使用災后疫情風險等級評估體系時，要具體疫情具體對待，并根據實際情況進行必要的調整。
33 災后疫情風險早期預警體系 與災害事件相比，災區疫情的發生具有一定的滯后性，即災害事件發生后，隨著環境條件的惡化，病菌生存、繁殖的環境，以及傳播的媒介逐漸形成，并開始作用于人體，從而導致疫情的暴發與流行。因此，基于遙感技術，建立災后疫情風險早期預警體系，可以有效預防與控制災區災后疫情的暴發與流行。具體內容如下：（1）建立疫情預警業務運行機制：災害給災區帶來的影響和損失是多方面的，但是這些影響和損失都可以通過災民的傷亡程度加以體現。所以，災害發生后，災害應急救助工作的重點是救人，盡可能將人員傷亡降到最低。但是，在開展災害應急救助的同時，也應該重視對災區環境變化的監測，以預防災后疫情的暴發與流行。因此，在現場調查與遙感技術相結合的基礎上，建立災區疫情預警業務運行機制，將災區疫情監測預警工作納入災害應急監測評估與預警的業務體系中。（2）建立疫情預警技術方法體系：在災區疫情監測中，關鍵是要選取合適的遙感影像，以提取與疫情有直接關系的環境因素的變化信息。同時，作為一種技術手段，遙感技術具有現場調查無法替代的優點，但卻無法完全替代現場調查工作。所以，災后遙感疫情預警技術方法體系包括多尺度遙感影像融合、遙感監測與地面監測疫情數據融合、遙感影像疫情信息識別等技術方法。（3）建立疫情預警產品制作標準與規范：為了統一制圖標準，便于災民識別和理解，有必要建立災區疫情預警產品制作規范。即在遙感技術的支持下，研究確定災區疫情預警產品快速制圖的技術規范、數據處理模型、數據處理方法、預警產品制圖等標準，建立遙感技術支持下的災區疫情預警產品制作標準與規范，為災區疫情預防與控制提供依據。
34 建立災后疫情救助輔助決策支持體系 災后疫情救助輔助決策支持體系包括疫情傳染源識別、疫情傳播路線預測、疫情預防與控制決策支持等功能。（1）監測識別疫情傳染源：結合地面調查資料，基于疫情發生機理，從疫情與環境因素之間相關關系的角度，應用遙感技術監測識別疫情暴發與流行的周圍環境狀況，確定病原體或媒介的可能孳生地。（2）監測識別疫情傳播路線：應用遙感技術分析病原體或媒介孳生地環境因子，通過對比分析疫情高發區和低發區的環境因子，識別確定疫情暴發的主導因子。在此基礎上，結合地面調查資料，利用遙感影像數據分析疫情病原體或媒介孳生地周邊環境狀況，預測疫情可能暴發的潛在疫區，并對疫情可能流行路線進行預測分析。（3）疫情預防與控制決策支持：遙感技術是災后疫情風險，以及疫情暴發與流行監測識別的重要技術手段。遙感對災后疫情監測識別結果可以通過網絡視頻會議系統、網上電子政務系統、數字化醫院管理信息系統等系統相結合，并直接為災后區域醫療資源統一調度、醫療救治、遠程醫療等醫療救治信息服務。
4 結語
基于災后疫情與環境因素密切的相關性，遙感技術成為災后疫情監測預警的重要技術手段之一。隨著氣候變異，重大自然災害發生頻率呈現明顯增加的趨勢，相應地，災后疫情暴發流行的風險日益增大。為此，結合災后疫情發生特點和綜合減災的實際需求，加強遙感技術支持下的災后疫情監測體系建設工作迫在眉睫。
參考文獻
〔1〕 閔宗殿.明清東南亞疫情研究［J］.學術研究，2003，10：109-115.
〔2〕 蔣啟榮，蔡樹淦，劉付啟榮，等.對洪澇災區災后動物疫病防控工作的建議［J］.廣東畜牧獸醫科技，2005，30(5):3-4.
〔3〕 Cline BL.New eyes for epidemiologists:Arial photography and other remote sensing techniques［J］.Am J Epidemiol， 1970，92(2):85-89.
〔4〕 徐德忠，張治英.地理信息系統和遙感技術與流行病學［J］.中華流行病學雜志，2003，24（4）:251-252.
〔5〕 SI Hay， CJ Tucker， DJ Rogers，et al.Remotely sensed surrogates of meterorological data for the study of the distribution and abundance of anthropod vectors of disease［J］.Annals of Tropical Medicine and Parasitology， 1996，90(1):1-19.
〔6〕 Brad Lobita， Louisa Beck， Anwar Huq， et al.Climate and infectious disease:use of remote sensing for detection of Cibrio Cholerac by indirect measurement［J］.PNAS，2000，97(4):1438-1443.
〔7〕 Hassan A N， Beck L R， Disaster S.Prediction of villages at risk for filarias is transmission in the Nile Delta using remote sensing and geographic information system technology［J］.J Egypt Soc Parasitol， 1998，28：75.
〔8〕 Dister S W， Fish D， Bros S M，et al.Landscape characterization of peridomestic risk for Lyme disease using satellite imagery［J］.Am J Trop Med Hyg， 1997，57(6):687-692.
〔9〕 鄭英杰，鐘久河，劉志德，等.應用地理信息系統分析洲灘釘螺的分布［J］.中國血吸蟲病防治雜志，1998，10（2）：69-72.
〔10〕 周曉農，洪青標，孫樂平，等.地理信息系統應用于血吸蟲病的監測 I.應用預測模型的可能性［J］.中國血吸蟲病防治雜志，1998，10（6）：321-324.
〔11〕 周曉農，胡曉抒，孫寧生，等.地理信息系統應用于血吸蟲病的監測 II.流行程度的預測［J］.中國血吸蟲病防治雜志，1999，11（2）：66-70.
〔12〕 周曉農，孫寧生，胡曉抒，等.地理信息系統應用于血吸蟲病的監測 III.長江洲灘釘螺孳生地的監測［J］.中國血吸蟲病防治雜志，1999，11（4）：199-202.
〔13〕 楊國靜，周曉農.GIS與RS在寄生蟲防治研究中的應用［J］.中國寄生蟲病防治雜志，2001，14（1）：64-66.
〔14〕 梁松，辜學廣，趙文賢，等.大山區血吸蟲病流行區危險環境識別及控制策略的研究［J］.實用寄生蟲病雜志，1996，4：54.
〔15〕 周方孝，劉振才，房靜，等.建立達烏爾黃鼠鼠疫疫源地中地理信息系統的操作方法［J］.中國地方病防治雜志，2003，18（2）：100-102.
〔16〕 房靜，周方孝，劉振才，等.遙感技術及其在鼠疫監測中的應用［J］.中國地方病防治雜志，2001，16（2）：124-126.
〔17〕 姜慶五，劉建翔，林濤，等.利用TM衛星遙感圖像對鄱陽湖血吸蟲病流行區水體識別研究［J］.中國公共衛生，2001，17（4）：289-290.
〔18〕 于國偉，曾光，唐音，等.利用遙感技術對洪澇災區縣界定分級的研究［J］.中國公共衛生，2003，19（8）：897-898.
關鍵詞：農產品;價格;預警;災變灰
中圖分類號：F323.7 文獻標識碼：A DOI 編碼：10.3969/j.issn.1006-6500.2015.04.012
Forecasting for Changes of Farm Produce Price Based on Calamities Grey Prediction and its Application
SONG Jing
（Department of Finance and Economics， College of Xinyang Agriculture and Forest， Xinyang， Henan 464000， China）
Abstract： As farmers and the consumers would suffer much unexpected loss due to the farm produce price exceptional fluctuations， so forecasting and then addressing them correctly becomes increasingly important today. In order to predict this price fluctuation effectively， a risk forecast model for exceptional changes of farm produce price is proposed based on grey prediction theory， and the effectiveness of the model is tested by a case subsequently. The result provides satisfying support for the validity of the model.
Key words： farm produce;price;risk forecast;calamities grey
在市場經濟條件下，隨著市場供求關系的變化，農產品價格圍繞價值曲線上下波動是一種正常現象。對農戶而言，一方面需要采取各種措施來應對價格波動，以達到抵御風險和降低損失的目的，另一方面，采用科學的方法對價格變動趨勢進行有效地監控和預測，為農戶提供精確的預測數據對農業生產而言至關重要。由于國家宏觀調控政策的實施，加之農戶自己在市場信息搜集方面的投入和努力，農產品價格會保持相對穩定。然而，以往研究表明農產品價格的起落常常是由多種外部因素交互作用所導致的[1-3]，正因如此，在某些年份農產品價格波動可能會出現異常現象，會比其他年份明顯偏低或偏高，不僅給農戶帶來重大經濟損失，而且會對廣大消費者的生活帶來極大的不便和麻煩，并進而對社會穩定造成隱患。例如，2007年的豬肉價格異常偏高就在群眾中造成了一定程度的恐慌。因此，能否對農產品價格的這種異常波動進行有效預警就顯得尤為重要。
就農業生產而言，由于農產品價格與投入品價格呈正向相關關系，因此，進行簡單的價格水平預測并沒有多少實際意義，關鍵在于能否根據現有價格的異常波動年份來預測下一個可能的異常波動年份。也就是說，對這些異常價格波動年份進行預測要比單純的“價格”預警更有實際價值。就現有的預測工具而言，傳統的加權移動平均模型、趨勢移動平均模型、簡單移動平均模型、回歸模型等都需要充足的歷史數據[4]，而現實中的農產品價格相關的統計數據通常很少，其中異常數據更是鳳毛麟角，因此，采用傳統的預測模型無法精確預測現實中的農產品價格異常波動問題。與傳統預測方法不同，灰預測的特色在于既可以對序列作值分布灰預測，又可以作時分布灰預測，而且對序列的數據量要求不高，只要大于或等于4即可，因此非常適合于農產品的價格異常波動預測。基于此，筆者構建了一個基于災變灰預測理論的農產品價格異常波動預警模型，并以福建省生豬收購價格的波動預測為例檢驗了該模型的有效性。
1 理論與模型
1.1 理論原理
灰色系統理論是針對既無經驗、數據又少的不確定性問題，即“少數據不確定性”問題提出的，其核心理念強調信息優化，研究現實規律[5]。灰預測理論是灰色系統理論的一個重要子理論，目前該理論已廣泛應用于社會生產的各個領域。實踐中，在進行各種類型的預測時，為了獲得準確的預測結果，需要用于預測的客觀數據具有全信息性。根據灰色系統理論，具有灰因（原因）白果（結果）律的數據滿足全信息性。在進行農產品價格預測時，作為預測的基本數據，農產品價格波動是當年各種因子如成本、疫病、流通、信息不對稱、規模化程度、宏觀經濟形勢……等共同作用的結果。也就是說農產品價格波動因子滿足灰信息覆蓋的特點。而每年（月、季）的農產品價格是確定的，滿足白信息覆蓋的特點，也就是說，從價格影響因素到后續的價格波動之間的關系符合灰因白果的特點，用農產品價格數據建立灰預測模型，符合灰色系統理論要求的全信息性。據此筆者認為，可以利用灰預測方法來有效預測農產品價格的異常波動。
1.2 模型建立
在灰預測理論中，災變灰預測是被廣為采用來進行各種突發事件預警和預測的一種預測方法。災變灰預測又稱異常值灰預測，是對異常值的“時”分布進行建模以預測跳變點未來“時”分布的一種灰預測方法。根據該理論，如果時間序列中含有異常值，可以采用GM（1，1） 模型預測異常值的時間分布。例如，由于受多因素影響，農產品價格在某些年份會出現異常波動，導致價格序列中會出現一些異常值。因此，利用農產品價格的這些異常值來預測下一次價格異常波動的具體年份，可以幫助農戶對這種價格異常波動做好充分的準備。具體建模步驟如下。
（1）令x為含異常值的原始序列。
■，為歷年價格數據。
假設ζ為正實數，如果
1° ■為異常值，則稱ζ為上災變閥值;
2° ■為異常值，則稱ζ為下災變閥值。
在本模型中，對■和■兩種情況不加區分，即將價格異常高和異常低兩種情況合并起來研究。
（2）記x中異常值為x（kζ）。
記x（kζ）的序列為kζ
■
則kζ為災變序列，其數值稱為災變值分布序列。
稱災變序列kζ中分布點kζ的序列tζ為災變時分布序列。
■
（3）令tζ為異常值時分布。
■，記■
■
序列：■
（4）GM（1，1）建模。
GM（1，1）的含義為1階（Order），1個變量（Variable）的灰（Grey）模型（Model）。
若序列■滿足： σ（0）（k）∈（0.135 3，7.389）。其中：
■，σ（0）（k）稱為級比。
則可對序列x（0）作GM（1，1）建模：
■（1）
■（2）
■（3）
■（4）
式（1）為GM（1，1）的定義型，式（2）為GM（1，1）的白化模型，式（3）和式（4）為GM（1，1）的白化響應式，即預測公式。其中：
■（5）
■（6）
■（7）
式（7）中x（1）（k）=■x（0）（m），即x（1）是x（0）的累加生成序列。
■
（5）殘差檢驗。
殘差檢驗的目的在于檢驗模型的預測精度。令x（0）（k）為實際值，x（0）（k）為預測值，則
1°稱e（0）（k）為相對殘差。
■
2°稱e（0）（avg）為平均殘差。
■
3°稱p°為精度。
■
2 應用舉例
福建省1999―2012年的生豬收購價格如表1所示。筆者利用該數據建立模型來對該省生豬收購價格的異常波動情況進行預測，并根據預測結果來檢驗模型的有效性。具體方法如下。
（1）原始序列為
x=（x（1），x（2），…，x（14））=（4.32，4.72，…，16.47）。
（2）確定災變序列。
由于價格具有隨時間而上升的趨勢，因此價格的災變（即異常）不能以價格的絕對值來衡量，而應當以相鄰兩年的變化幅度來界定。假設相鄰兩年的價格變動超過10%為價格異常波動，則有災變閥值ζ=10%，即若：
■，則第k年為災變年份。由此可得災變序列為：
■=
（5.44，8.04，9.44，9.36，14.68，18.32，16.47）
（3）災變時分布序列為
■。
即在第3，4，5，9，10，11，14年，也就是2001、2002、2003、2007、2008、2009、2012年生豬收購價格出現了7次異常波動現象。利用其前6次價格異常波動數據建模，然后利用該模型預測第7次出現價格異常波動的年份，并將預測結果與實際年份相對照，以檢驗該模型的有效性。
（4）級比平滑性檢驗。
■
■
■
σ（k）∈（0.135 3，7.389）
表明序列x（0）是平滑的，可作GM（1，1）建模。
（5）建立模型。
由式（5），（6），（7）可得：
■
代入式（3）、（4）得
■（8）
■（9）
（6）預測。
將k=6代入式（9）得：
■（對于預警而言通常宜早不宜晚）
這表明在第14年（即2012年）將會再次出現價格異常波動現象，預測結果與實際情況是一致的，表明本模型有很高的應用價值。
（7）模型預測精度檢驗。
為了檢驗模型的預測效果，作以下殘差檢驗：
■
殘差檢驗結果表明，本模型的預測精度達到89.9%，這對于受多因素影響而變化極不規則的農產品價格波動而言已經達到了比較理想的預測效果。
3 結 論
筆者以灰預測理論為基本的理論框架構建了一個農產品價格異常波動預警模型，并以福建省生豬價格的異常波動預測為實例介紹了利用該模型對農產品價格異常波動進行預警的做法[6-10]。結果表明：（1）災變灰預測方法是對農產品價格異常波動進行預警的一種有效方法，解決了傳統預測方法無法解決的問題;（2）可以利用殘差檢驗對模型的預測精度進行檢查，從而可以對預測的精確性有一個基本的判斷。本方法也不可避免地存在一些局限性：當農產品價格異常波動年份數據序列的級比平滑性不能滿足時，也就是說，當級比小于0.135 3時，將無法利用GM（1，1）模型來對價格異常波動進行預測，就本研究的生豬價格而言，就是某相鄰的兩次價格異常波動年份距離較遠，不過就現實情況而言，這種特殊情況出現的概率通常很小[6-10]。
參考文獻：
[1] 王吉恒，王新利. 農產品市場風險與市場預測研究[J].農業技術經濟， 2003（3）：1-5.
[2] 姜長云，劉志榮. 高度警惕主要農產品價格出現大起大落的風險[J]. 中國發展觀察，2008（2）：8-11.
[3] 董少杰.政府部門對農產品市場風險預警的管制和調控――基于豬肉和大蒜價格暴漲經濟學分析[J].天津農業科學，2012（4）：95-99.
[4] 劉武，婁成武. 定量分析方法[M]. 北京： 科學出版社，2003.
[5] 鄧聚龍. 灰理論基礎[M]. 武漢： 華中科技大學出版社， 2002.
[6] 侯杰泰，溫忠麟，成子娟.結構方程模型及其應用[M].北京：教育科學出版社，2004.
[7] 鐘昱，張鵬.農產品價格研究方法綜述[J].市場經濟與價格，2012（9）：11-13.
[8] 李干瓊.SV因子框架分析下農產品市場短期預測[D]. 北京：中國農業科學院，2012.
【關鍵詞】負荷預測 支持向量機 粒子群算法 最小二乘向量機核函數
負荷預測是指從已知情況出發，通過對于歷史數據的分析和研究，探索事物之間的內在聯系和發展變化規律，對負荷發展做出預先估計和推測。電力負荷預測主要是以下幾個目的：
（1）電能由于其特殊性導致不能大面積的儲存，需要邊生產邊使用，所以發電量的不足或者過剩都會影響電力生產部門的經濟效益。
（2）生活中電力事故時有發生，不僅會導致不同程度的經濟損失，還會對人民生命財產安全造成威脅，所以對電力負荷進行預測，預先了解電力負荷的臨界狀態是很有必要的。
（3）而負荷預測可以了解不同區域不同機構的用電高峰期。調整用戶的用電時間和負荷，利用錯峰效應，充分利用整個電力系統的容量，發揮整個系統的潛力，對于緩解用電緊張有重要的意義。
1 短期電力負荷預測方法
迄今為止，國內外學者在負荷預測中做出了很多努力，預測方法按照不同時期大致的可以為分為兩類：經典數學統計法和人工智能法。
1.1 經典數學統計法
1.1.1 回歸模型預測法
電力負荷回歸模型預測就是根據過去的電力負荷歷史資料，建立可以進行數學分析的數學模型，對未來負荷進行預測。對非線性關系，它就會很難進行預測。
1.1.2 趨勢外推法
此種方法是以歷史數據為基礎，建立一條盡可能表達歷史負荷的曲線，隨后根據變化趨勢來進行未來某時間電力負荷預測值得讀取。這種方法與回歸模型預測法相比具有計算速度快，可實時分析的特點，但是其精度有限。
1.1.3 時間序列法
根據歷史資料建立一個數字模型來描述電力負荷這個隨機變量變化過程的統計規律性，在數學模型的基礎上確立負荷預測的數學表達式，進行預測。
1.1.4 灰色預測法
灰色理論提出一種稱為系統關聯度的全新分析方法，它根據因素之間發展趨勢的相似或者相異度來衡量影響負荷因素間的關聯程度。此方法具有算法簡單，需求數據少，速度快等優點，但有一定的應用局限性。
1.2 人工智能法
目前對于非線性和復雜系統的電力負荷預測主要使用人工智能法。主要包括基于專家系統的預測技術、支持向量機、模糊控制技術、人工神經網絡法、混沌預測技術等。
1.2.1 基于專家系統的預測技術
專家系統是人工智能系統中比較成熟的方法，能夠模擬人類專家決策過程。
1.2.2 模糊控制方法
模糊預測方法僅僅模擬專家的推理和判斷方式，并不需要建立精確的數學模型。模糊理論適合描述廣泛存在的不確定性，同時它具有強大的非線性映射能力，能夠在任意精度上一致逼近任何定義在一個致密集上的非線性函數，并能夠從大量的數據中提取它們的相似性。但模糊理論也存在學習能力比較弱，映射輸出比較粗糙等缺點。
1.2.3 人工神經網絡算法
人工神經網絡是模仿生物腦結構和功能的一種信息處理系統，有較好的容錯性，但容易陷入局部收斂。
2 基于支持向量機的短期電力負荷預測
支持向量機以統計學理論為基礎，通過尋求最小化的結構化風險來實現經驗風險和置信范圍的最小化。依靠嚴謹的數學推論，將有條件的極值問題轉化為凸二次規劃問題。面對過去較難處理的非線性問題，將樣本空間映射到高維，在高維空間來解決問題，同時還通過核函數的提出，巧妙地解決了維數問題。
2.1 負荷數據的預處理與歸一化
在實際使用中，我們可以根據實際情況設置一個值，當負荷實際值與測量值的差小于這個值的話，就可以認為這是一個合適的數據，可以使用；如果誤差大于這個值，便是錯誤的數據，需要進行進一步處理。那么關于設置值的確定成為了解決問題的關鍵，因為我們的歷史數據大多數是正確的，只有比較少的部分需要進行處理，所以可以通過數學統計的方法計算出設置值，然后利用剛剛的算法進行求解。
在構建模型時，輸入的各變量差異較大，尤其反映的數量級上，為了解決這個問題，需要對數據進行歸一化處理。
2.2 輸入特征選取與支持向量機的參數優化選取
對于訓練樣本來說，輸入變量應該為影響負荷量的因素，根據關聯程度的大小分配以不同的權重。根據模式識別理論，低維空間線性不可分的模式通過非線性映射到高維特征空間則可能實現線性可分，但是如果直接采用這種技術在高維空間進行分類或回歸，則存在確定非線性映射函數的形式和參數、特征空間維數等問題，而最大的障礙則是在高維特征空間運算時存在的“維數災難”。采用核函數技術可以有效地解決這樣問題，核函數的選取直接影響支持向量機的預測精度。
3 結論
通過進行有效的數據處理和相關參數的選擇構建的基于支持向量機的短期負荷預測方法能較為有效準確的預測短期電力負荷。但是由于負荷預測還會受到多種外界因素的影響，因此要想實現準確的電力負荷預測還需對現有方法進行不斷改進和完。
參考文獻
[1]王偉.基于混合核函數支持向量機的電力負荷預測[J].現代計算機，2013：22-25.
[2]R志偉，周凌，楊麗君，冀而康，周旭.基于人工免疫加權支持向量機的電力負荷預測[J].繼電器，2015，33（24）：42-44.
[3]曾挽浚徐知海，吳鍵，基于粒子群優化和支持向量機的電力負荷預測[J].微電子學與計算機，2011，28（01）：147-149.
[4]游華.基于相空間重構與支持向量機的電力負荷預測[J].商業現代化，2010，611：7-8.
[5]Soina De Cosmis，Ronato De Leone，ErikKropat.Electric load forecasting using support vector machines for robust regression. University of Camerino： Society for computer Simulation International，2013.
關鍵詞：天然氣需求 預測 模型
眾所周知，天然氣用戶種類及數量眾多，各種用戶的用氣目的、用氣高峰時間及用氣量均有所不同。同時，氣源產氣和用戶用氣的不穩定性也使得天然氣管網系統經常處于不穩定狀況，使調度部門需要經常采取應急措施，調節和調度各個用戶和場站的壓力及流量。在這種情況下，如果能夠提前了解或預測到各個用戶的用氣量，不僅可以幫助天然氣管網管理部門合理并高效地調運各個氣源和用戶的用氣量，安全且高效地運營天然氣市場的供給和需求，并且可以為營銷部門制定供氣計劃提供一定的參考。因此，如何預測不同用戶、不同時間段的天然氣需求量是天然氣用戶管理和調度部門關注的重點，因而有必要分析和研究多種需求預測方法，充分利用已有的數據庫系統中的歷史數據，優選出適合預測天然氣用戶用氣量的簡單可行的模型。
一、相關預測方法的比較分析
在研究灰色預測方法、彈性預測法、能源強度法、趨勢外推法等算法實用性和參數復雜性的基礎上，得知這些算法在一定的條件下、在復雜的參數設計中可以有較高的精度，但求解過程、調節參數和所需的對象信息過于復雜化，不適合實際操作。各種方法的簡單比較如下：
回歸分析法的優點是：預測的結果比較可信，可以給出預測結果的置信區間以及置信度；能運用相關的數理統計方法對得到的回歸方程進行統計檢驗。缺點是：假設個數據對預測對象的影響程度是相同的，不符合實際情況；回歸變量選取的主要和次要因素在實際建立模型時不易把握。此種方法適用于天然氣中長期預測。
移動平均法的優點是：方法簡單實用且應用很普遍。缺點是：沒有考慮到時間先后對預測值的影響，會出現滯后偏差。這種方法適宜應用于短期預測。
趨勢外推法的優點是：簡單實用，其關鍵在于充分利用歷史數據來判斷出數據具有的是何種趨勢；不需要對數據中的隨機成分進行統計分析。缺點是：這種方法通常需要積累和掌握歷史統計數據，且預測結果與實際值的偏差比較大。它主要適用于中長期和短期預測。
灰色預測方法的優點是：方法簡便易行而且預測精度比較高，且所需數據量不大，不必考慮歷史數據的分布規律。缺點是：其預測誤差隨著歷史數據的離散程度增大而增大，預測的時間越長，誤差也會越大。這種方法適用于中長期預測。
能源強度法的優點是：考慮了天然氣需求與經濟發展的關系，并且計算過程簡單方便。缺點表現在：其參數獲取難度比較大，對企業層面的預測效果比較差。一般情況下適用于宏觀問題中期預測，對于天然氣用戶需求量的預測不適用。
彈性系數預測法的優點是：計算過程的簡單和方便，且考慮了天然氣消費量變化與經濟增長量變化的關系。缺點表現在：該預測的彈性系數估計值不好確定。可見這種方法與能源強度法頗為相似，也是主要適用于宏觀層面的天然氣中長期需求的預測，不適用于天然氣用戶需求量的預測。
因而本文對用戶的中、短期需求預測模型采用回歸分析法、移動平均法、算術平均法，長期預測選擇回歸分析法。并在建立模型的過程中結合實際需要對這兩類方法進行改進，同時通過對不同類型用戶的用氣量歷史數據的分析，找出用氣量數據的規律，盡量以簡單、可行的預測思路和方法建立各類用戶的需求預測模型，以此預測各類用戶的年、月用氣量。
二、實例計算
由于天然氣用戶的種類不同，他們的用氣規律也有所不同，因而對于不同類用戶所采取的需求預測模型也有所差異，如對于城市燃氣類用戶用氣量的模型。表1是某城市燃氣有限公司近四年來的用氣量數據表。
針對城市燃氣類用戶的特點，建立城市燃氣類用戶年、月、日用氣量預測模型的步驟如下：
（一）年用氣量的預測模型
分析用戶歷年來的年用氣量數據，選取一元線性回歸的方法建立用戶年用氣量的預測模型。即有：
y=a+bx+ε ①
通過對表1的數據擬合，可以得到此用戶的一元線性回歸的模型如下所示：
y=5329.6x+21041
通過上式可以計算出該城市燃氣用戶2007年的年用氣量預測值為5.8348億立方米，已知該用戶2007年的實際用氣量約為5.62億立方米，可以得出預測值與實際值的相對誤差是3.7%，可見采用的預測模型是有效的。
（二）月用氣量的預測模型
分析該城市燃氣類用戶的月用氣量，采用一元線性回歸方法建立該用戶的月用氣量預測模型。即有：
yi=ai+bixi （i=1，2，…，12） ②
其中，yi為第i個月的一元線性回歸模型預測值；xi為第i個月的一元線性回歸模型的自變量；ai、bi為第i個月的一元線性回歸模型系數。
本文選取1月份、4月份、6月份、10月份、12月份的數據用一元線性回歸方法進行數據擬合，列出預測模型并計算得出結果如下表2所示。
由以上結果可以看出，預測值與實際值的誤差的絕對值較小，還是可以滿足工程要求的。
三、結論
回歸分析法的優點是：預測的結果比較可信，可以給出預測結果的置信區間以及置信度；能運用相關的數理統計方法對得到的回歸方程進行統計檢驗。缺點是：假設個數據對預測對象的影響程度是相同的，不符合實際情況；回歸變量選取的主要和次要因素在實際建立模型時不易把握。此種方法適用于天然氣中長期預測。
雖然采用回歸分析法的計算結果還是比較滿意，但不一定是解決此問題的最優模型，在以后的研究中將深入學習，深入研究并比較不同的模型在這個課題上的適用性，力爭找到更為優化的方法。
另外，由于天然氣用戶需求量的不確定性會帶來風險，因此還可以考慮將風險與預測結合起來考慮，從而提高預測的準確性。
（作者單位：西南石油大學經濟管理學院）
【參考文獻】
1、周志斌,楊毅.天然氣管網運營安全與效益優化模型研究[M].石油工業出版社,2009.
2、馮良等.上海天然氣市場需求模型構建與計量分析[J].天然氣工業,2009(2).
