Анализ внутренних и внешних факторов развития российского рынка нефтесервисных услуг. Факторный анализ нефть


Факторный анализ добычи нефти — Практическое моделирование

Факторный анализ, это удобный инструмент для определения вклада конкретной службы в общее невыполнение добычи нефти. Потому что, у каждой ошибки есть имя и фамилия.Реализация варьируется от компании к компании и сегодня я хочу рассказать об общем подходе.

Начнем с простого двух-факторного анализа.

Запишем уравнение добычи нефти как произведение двух факторов — добычи жидкости QL и обводненности (1-B).

Q=Q_L \cdot (1-B)

В следующий момент времени (месяц, год) исходная добыча нефти изменилась на некоторую дельту, за счёт изменения добычи жидкости и изменения обводненности,

Q+\Delta Q=(Q_L+\Delta Q_L)\cdot ((1-B)+\Delta (1-B))

Теперь выразим дельту нефти через сумму слагаемых, для этого раскроем скобки,

Q+\Delta Q =Q_L \cdot (1-B)+\Delta Q_L \cdot (1-B)+Q_L\cdot\Delta(1-B)+\Delta Q_L\cdot\Delta(1-B)

Исходная добыча нефти сокращается и остается,

\Delta Q = \Delta Q_L \cdot (1-B)+Q_L\cdot\Delta(1-B)+\Delta Q_L\cdot\Delta(1-B)

Здесь сделаем небольшое отступление.

Допустим, что исходные параметры не изменились, а изменился только один из параметров определяющий добычу нефти. Вклад в изменение добычи конкретного параметра, мы будем называть фактором.

Фактор добычи жидкости, это изменение добычи нефти за счёт изменения добычи жидкости при неизменности других параметров. В нашем случае, неизменным остается обводненность,

F_1=\Delta Q_L\cdot(1-B)

Фактор обводненности, это изменение добычи нефти за счёт изменения обводненности продукции при неизменной добычи жидкости,

F_2=Q_L \cdot \Delta (1-B)

Возвращаясь назад, заменим изменение добычи нефти через фактор жидкости и фактор обводненности,

\Delta Q=F_1+F_2+\Delta Q \cdot \Delta (1-B)

Из последней записи видно, что сумма двух факторов не равна отклонению в добыче нефти. Последнее слагаемое, которое мешает нам получить ответ, называется неразлагаемым остатком,

F_*= \Delta Q \cdot \Delta (1-B)

Появление неразлагаемого фактора вызвано взаимным влиянием двух факторов.

Давайте рассмотрим числовой пример.

При плановой добыче жидкости 1000 тонн и обводненности 0.8, добыча нефти должна была быть 1000 * (1 — 0.8) = 200 тонн.

Однако, добыча жидкости составила 960 тонн, обводненность 0.850 и фактическая добыча нефти оказалась равна 960 * (1-0.850) = 144 тонн.

Считаем факторы.

Фактор добычи жидкости F1 = (960 — 1000) * (1 — 0.8) = -8 тонн.Фактор обводненности F2 = 1000 * ((1 — 0.85) — (1 — 0.8)) = -50 тонн.

Остаток можно найти либо по приведенной выше формуле, либо вычитая из фактического отклонения добычи нефти суммы факторов — что мы и делаем,

F* = (144 — 200) — (-8 + (-50)) = +2 тонны.

Долевой вклад факторов,

\frac{F_1}{\Delta Q}+\frac{F_2}{\Delta Q}+\frac{F_*}{\Delta Q}=1 \frac{-8}{-56}+\frac{-50}{-56}+\frac{+2}{-56}=1 0.143+0.893-0.036=1

В итоговом невыполнении плана добычи нефти, потери по жидкости имеют вклад 14.3% и потери по обводненности 89.3%.

Перейдем к трех-факторному анализу.

Добыча нефти это произведение дебита жидкости на обводненность и на количество скважиносуток.

Q=q_L \cdot (1-B)\cdot N

Запишем изменение в добыче нефти,

Q+\Delta Q=(q_L+\Delta q_L) \cdot ((1-B)+\Delta (1-B))\cdot (N+\Delta N)

И раскроем скобки,

\Delta Q=\Delta q_L\cdot(1-B)\cdot N+q_L \cdot \Delta (1-B) \cdot N+q_L \cdot (1-B) \cdot \Delta N+F_*

где нераскладываемый остаток,

F_*=\Delta N \cdot (q_L \cdot (1-B)+\Delta q_L \cdot (1-B)+q_L \cdot \Delta (1-B)+\Delta q_L \cdot \Delta (1-B))

Фактор дебита жидкости, как и ожидается, это дельта в дебите жидкости на исходные обводненность и количество суток,

F_1=\Delta q_L \cdot (1-B)\cdot N

Фактор обводненности, это изменение в обводненности на исходный дебит жидкости и плановое количество суток,

F_2=q_L \cdot \Delta (1-B)\cdot N

И фактор скважиносуток, это изменение в отработанном времени на исходный дебит жидкости и обводненность,

F_3=q_L \cdot (1-B)\cdot \Delta N

Итого у нас получается, что

\Delta Q=F_1+F_2+F_3+F_*

Снова приведем пример.

Плановые показатели следующие, жидкость 1000 т/сут, обводненность 0.800 и время работы 30 суток, должны были дать нам

1000 * (1- 0.800) * 30 = 6000.0 тонн нефти.

Фактические показатели сложились следующим видом. Дебит жидкости 950 т/сут, обводненность 0.737 и количество суток равно 28. Фактическая добыча нефти,

950 * (1- 0.737) * 28 = 6995.8 тонн нефти.

Превышение выполнения плана,

6995.8 — 6000 = 995.8 тонн.

Считаем потери по каждому фактору,

F1 = (950 — 1000) * (1 — 0.800) * 30 = -300 т/сутF2 = 1000 * ((1 — 0.737) — (1 — 0.800)) * 30 = +1890 т/сутF3 = 1000 * (1 — 0.800) * (28 — 30) = -400 т/сут.F* = 995.8 + 300 — 1890 + 400 = -194.2 т/сут.

Отклонение от плана добычи нефти раскладывается в следующей пропорции,

+995.8=-300+1890-400-194.2 1=-0.301+1.898-0.402-0.195

По дебиту жидкости невыполнение -30.1%, по обводненности превышение плановых показателей на +189.8%, не выполнение по времени работы -40.2%.

oilsim.ru

Факторный анализ добычи нефти | Центр химических экспертиз

Факторный анализ добычи нефти

Рейтинг: 5 (100%) - Оценок: 1

Добыча нефти сама по себе является очень сложным процессом, требующим как материальных, так и «интеллектуальных» вложений.

Необходимость анализировать процессы добычи, переработки нефти, а также последующей реализации изготовленных из нее нефтепродуктов обуславливается в первую очередь трудоемкостью, затратностью, динамичностью этих процессов. Владеть всей необходимой информацией о качестве добываемых веществ, а также производимых из него продуктов необходимо в первую очередь руководству компаний.

Осуществляется контроль всех качественных, экономических и динамических показателей при добыче, переработке и реализации нефтепродуктов с помощью специального мониторинга, который осуществляется в рамках такого мероприятия, как факторный анализ добычи нефти.

Факторный анализ добычи нефти

Подобного рода исследования включают в себя не только выявление качества добываемой нефти, но и экспертизу деятельности нефтедобывающего или нефтеперерабатывающего предприятия, исследование месторождений, изучение динамики производства, а так же установление его экономической эффективности.

Факторный анализ добычи нефти состоит из множества этапов, в число которых входит и ее химические исследования, а так же исследование состава и качественных свойств производимых из нее продуктов, к примеру, масла или топлива.

Где проводится факторный анализ добычи нефти?

Данный анализ должен проводиться с привлечением исключительно квалифицированных специалистов и сложной техники. В распоряжении АНО «Центр химических экспертиз» есть все необходимое оборудование, с помощью которого осуществляется такой анализ, а работающие там специалисты обладают большим опытом в подобной работе.

khimex.ru

Анализ себестоимости добычи нефти - Энциклопедия по экономике

В действующей системе бухгалтерского учета себестоимость добычи нефти не калькулируется по категориям скважин. Вместе с тем, как и удельные капитальные вложения на прирост добычи нефти, отчетная себестоимость добычи нефти и газа складывается под влиянием не только новых капитальных вложений,.но и ранее вложенных средств, т. е. производительности старого фонда скважин. В связи с этим при анализе себестоимости добычи нефти и газа также необходимо выделить себестоимость добычи нефти из новых скважин. Сравнение расчетной себестоимости добычи нефти из новых скважин с отчетной покажет степень влияния производительности старого фонда скважин на общий уровень себестоимости.  [c.192] В книге рассматриваются методологические вопросы планового ценообразования, основные принципы ценообразования в добывающих отраслях промышленности и специфика системы цен в нефтяной промышленности, показаны особенности формирования издержек производства в нефтяной промышленности, дается анализ себестоимости добычи нефти. Особое внимание уделяется вопросу воспроизводства основных фондов в нефтяной промышленности.  [c.2]

АНАЛИЗ СЕБЕСТОИМОСТИ ДОБЫЧИ НЕФТИ И ГАЗА  [c.142]

В табл. 70 приведен постатейный анализ себестоимости добычи нефти и газа по объединению.  [c.143]

Анализ себестоимости добычи нефти и газа производится путем расчленения общих величин отклонения по каждой статье калькуляции по факторам.  [c.81]

Анализ себестоимости добычи нефти и газа начинают с пересчета плановых затрат на фактически выполненный объем их добычи только по переменным расходам, т. е. зависящим от объема производства. Затем дают общую оценку результатов по себестоимости нефти и газа.  [c.363]

Анализ себестоимости добычи нефти и газа начинают с общей оценки выполнения плана по себестоимости путем сопоставления фактических затрат с плановыми и с затратами прошедшего периода. Для этого анализируемые данные приводят к сопоставимому виду пересчетом на фактический объем добычи нефти и газа.  [c.306]

Анализ себестоимости добычи нефти и газа рассматривается в специальном курсе Анализ хозяйственной деятельности предприятий нефтяной и газовой промышленности .  [c.281]

Методические приемы и выбор формы экономико-математической связи исследуемого показателя с факторами, существенно влияющими на его уровень и динамику, в значительной степени обусловлены условиями формирования себестоимости добычи нефти. Поэтому в работе особое внимание уделено формированию производственных затрат на различных стадиях разработки месторождения. Большое место занимают экономико-статистический анализ себестоимости добычи нефти, оценка производственно-хозяйственной деятельности предприятия, планирование и прогнозирование себестоимости добычи нефти, экономико-математические модели этого показателя для решения практических задач.  [c.3]

МЕТОДИКА ЭКОНОМИКО-СТАТИСТИЧЕСКОГО АНАЛИЗА СЕБЕСТОИМОСТИ ДОБЫЧИ НЕФТИ  [c.4]

Анализ себестоимости добычи нефти весьма сложен, что обусловлено прежде всего многообразием взаимозависимостью многих факторов, среди которых существенное значение имеют природные условия.  [c.4]

МЕТОДИЧЕСКИЕ ПРЕДПОСЫЛКИ ЭКОНОМИКО-СТАТИСТИЧЕСКОГО АНАЛИЗА СЕБЕСТОИМОСТИ ДОБЫЧИ НЕФТИ  [c.10]

Каждое звено управления производством наделено как общими, так и своими, присущими только ему одному функциями, которые и определяют характер решаемых задач. На уровне министерства решаются более общие задачи, призванные воздействовать на деятельность хозяйственного руководства данной отрасли промышленности в целом задачи, которые решаются в объединении, носят более детальный характер по сравнению с задачами вышестоящего звена, но по отношению к низовому подразделению они также являются общими. На уровне низового подразделения решаемые задачи, требующие глубокого и детального экономического анализа, носят частный, конкретный характер. В низовом звене промышленности подчас ставятся задачи, решение которых практически невозможно без подробного и детального анализа себестоимости добычи нефти, без оценки экономической эффективности различного рода мероприятий, направленных на повышение эффективности производства.  [c.12]

Продолжительность периода исследования при пользовании этим методом обусловлена главным образом целями и задачами конкретного экономического анализа. При построении экономико-статистических моделей для анализа себестоимости добычи нефти по статьям и отдельным элементам затрат период анализа фактического состояния должен позволять исключить изменение влияния факторов во времени. В данном случае необходимо учитывать то обстоятельство, что в статических моделях остаточная дисперсия тем выше, чем продолжительнее анализируемый период.  [c.15]

После выполнения указанных выше действий необходимо приступить к многофакторному анализу себестоимости добычи нефти с применением корреляционных методов. Основная задача анализа на этом этапе заключается в нахождении связи между исследуемым показателем и отобранными факторами, а также между отдельными факторами и в оценке тесноты установленной связи. Эта задача решается с помощью парных и частных коэффициентов корреляции и корреляционного отношения. Методы  [c.16]

Выбранная таким образом экономико-статистическая модель позволяет решить ряд задач анализа себестоимости добычи нефти с получением количественной оценки результатов. Решение этой модели дает возможность оценить среднее влияние совокупности включенных в модель факторов на уровень себестоимости добычи нефти. Оценка экономических показателей по средним величинам имеет важное обобщающее значение. Однако в ряде случаев при анализе возникает необходимость в изучении вариации экономических показателей. Например, кроме среднего значения себестоимости добычи нефти, нужно знать колеблемость этого показателя под влиянием отдельных факторов, а также оценить колеблемость самих факторов. Большая колеблемость исследуемого показателя и факторов свидетельствует, прежде всего, о наличии значительных резервов в снижении издержек производства, что приобретает существенное значение в экономическом анализе.  [c.19]

Регрессионные модели себестоимости добычи нефти позволяют значительно увеличить возможности традиционного анализа, включив в него количественную оценку, и в соответствии с этим расширить круг задач, решаемых в экономических исследованиях. Они позволяют решать эти задачи не только более строго, охватывая все стороны деятельности предприятия, но и создают благоприятные предпосылки для решения сложных вопросов анализа и планирования себестоимости добычи нефти. Один из таких вопросов — определение предельной себестоимости добычи нефти для предприятия с учетом конкретных условий производства. Определение такого показателя позволяет выявить потенциальные резервы нефтедобывающего производства по снижению текущих эксплуатационных затрат. Анализ себестоимости добычи нефти в сочетании с сопоставлением предельного значения этого показателя основывается главным обра-  [c.19]

Анализ себестоимости добычи нефти с применением математических методов представляет собой важную составную часть комплексного экономического исследования эффективности нефтедобывающего производства. Он является непосредственным продолжением традиционного анализа, базируется на его выводах и дополняет его методами количественных оценок.  [c.24]

В данном разделе представлен экономико-статистический анализ себестоимости добычи нефти на примере показателей одного из "старых" нефтяных районов. Период анализа охватывает 1975 — 1978-гг.  [c.24]

Экономико-статистический анализ себестоимости добычи нефти с использованием модели, приведенной в предыдущем разделе и в работах [5, 23, 31], позволяет выявить только общее влияние различных факторов на уровень эксплуатационных затрат в целом по всем технологическим процессам и участкам. Однако нас в первую очередь интересует, в каком технологическом процессе, какие факторы и в какой степени оказывают влияние на уровень затрат и каким образом можно изменить это влияние в необходимом направлении. Поэтому далее рассмотрим формирование уровня и динамику затрат по отдельным технологическим участкам (подсистемам).  [c.33]

МНОГОФАКТОРНЫЙ АНАЛИЗ СЕБЕСТОИМОСТИ ДОБЫЧИ НЕФТИ С УЧЕТОМ СТАДИИ РАЗРАБОТКИ МЕСТОРОЖДЕНИЯ  [c.41]

Закономерности динамики себестоимости добычи нефти для большинства нефтяных месторождений, разрабатываемых при активном водонапорном режиме, весьма схожи по своему характеру и в значительной степени обусловлены стадией разработки месторождения. На поздней стадии разработки большое влияние на уровень себестоимости добычи нефти оказывает обводненность продукции скважин. Рост обводненности извлекаемой жидкости отражается в себестоимости добычи нефти, главным образом в изменении переменных затрат. В условиях интенсивного роста обводненности переменные затраты в значительной мере определяют уровень и характер динамики себестоимости добычи нефти. К ним относятся энергетические затраты, расходы по сбору, транспортировке и подготовке нефти и по увеличению отдачи пластов. В связи с этим представляет определенный интерес многофакторный анализ себестоимости добычи нефти в части только переменных затрат с учетом стадии разработки месторождения. Основное внимание в анализе уделяется выявлению влияния роста обводненности извлекаемой жидкости на уровень и динамику переменных затрат. При этом учитываются также и другие факторы.  [c.41]

Необходим системный подход в развитии и применении экономико-математических методов при анализе себестоимости добычи нефти. Системность подхода обусловлена прежде всего общими закономерностями при решении различного рода задач, возникающих при анализе хозяйственной деятельности предприятия (объединения). Такой подход позволяет охватить более широкий круг решаемых задач с применением единой методологической основы и использованием количественных оценок на различных уровнях нефтедобывающего производства. В связи с этим в работе получены и предлагаются для практического использования несколько экономико-математических моделей себестоимости добычи нефти.  [c.101]

Шакиров М.Т., Панова Р.К. Методика экономико-математического анализа себестоимости добычи нефти. Уфа, БашНИПИнефть, 1974. Ротапринт.  [c.110]

Цель настоящей работы — обосновать методику индексного и корреляционного регрессионного анализа себестоимости добычи нефти и газа по факторным показателям, а затем на основе полученных закономерностей дать методику ее прогнозирования методом регрессионного моделирования и наметить конкретные пути снижения себестоимости добычи нефти п газа. В книге рассмотрены некоторые вопросы теории индексов (на примере нефтедобывающей промышлен-  [c.4]

Анализ себестоимости добычи нефти (газа)  [c.9]

Анализ себестоимости добычи нефти проводится по данным таблицы 5.  [c.10]

Анализ себестоимости добычи нефти. Для анализа себестоимости добычи нефти необходимы данные о выполнении плана добычи нефти в целом и по способам эксплуатации о нормах и фактическом расходе энергии и различных материальных ресурсов, потребляемых в процессе деэмульсации нефти, при подземном и наземном ремонтах, при работах по увеличению отдачи пласта и в процессе внутрипромысловой перекачки нефти о движении фонда скважин, о выполнении плана ввода новых скважин в эксплуатацию из освоения и бурения, о времени эксплуатации этих скважин по плану и отчету о проведении геолого-технических мероприятий по скважинам и другие материалы, характеризующие условия, в которых добывалась нефть.  [c.164]

Вместе с тем при анализе эффективности капитальных вложений по отдельным нефтяным месторождениям внутри какого-либо района эти затраты учитывать не следует. Величина затрат на поиски и разведку нефти резко колеблется по отдельным месторождениям. В этих условиях правильнее учитывать затраты на разведку в удельных капитальных вложениях и в себестоимости добычи нефти в среднем по нефтедобывающему району.  [c.191]

Анализ выполнения плана по себестоимости добычи нефти начинают с общей оценки результатов истекшего года по показателям себестоимости. Исходные данные берут из отчетной формы калькуляции себестоимости продукции,  [c.411]

Анализ влияния различных факторов на себестоимость добычи нефти и газа  [c.28]

Выделенные нами при анализе себестоимости добычи нефти и газа шесть основных производственных факторов (средние дебиты скважин, удельный вес механизированных скважин в общем фонде скважин, стоимость среднегодых промышлен-но-производственных фондов, обводненность нефти, объем закачки воды или газа в пласт, численность промышленно-про-изводственного персонала) рекомендуется учитывать через меняющиеся в плановом периоде объемные показатели.  [c.50]

Анализ себестоимости добычи нефти и газа в НГДУ следует начинать с общей оценки выполнения плана по добыче нефти, газа и товарной продукции, а в объединении — и по> реализованной продукции.  [c.142]

На основе анализа себестоимости добычи нефти и газа и особенностей ее структуры намечают мероприятия по снижению себестоимости. Для структуры себестоимости нефти и газа характерен большой удельный вес (до 60%) условно-постоянных расходов. В связи с этим основной путь снижения себестоимости продукции НГДУ — увеличение добычи нефти и газа экстенсивным и интенсивными методами.  [c.152]

Постатейный анализ себестоимости добычи нефти и газа по НГДУ  [c.308]

Важной остается проблема обеспечения систематического исследования при экономико-статистическом анализе себестоимости добычи нефти. Основная задача такого анализа заключается в выявлении резервов снижения издержек производства. Для успешного ее решения необходимо получить не только качественную, но и количественную экономическую оцен-  [c.13]

Анализируя влияние изменения структуры добычи нефти по отдельным НГДУ уравнениям в отрасли на средний уровень и динамику себестоимости добычи нефти и газа, мы пришли к выводу, что вполне приемлемой является методика, предлагаемая Е. А. Воробьевым для анализа факторов динамики производительности труда. В результате проведенного исследования удалось применить общие формулы этой методики для частных случаев структурного анализа себестоимости добычи нефти и попутного газа.  [c.110]

Увеличение добь чи нефти или поддержание ее на прежнем уровне возможно в основном лишь за счет ввода в эксплуатацию новых скважин. Эта особенность в нефтедобывающей промышленности оказывает влияние не только на уровень производительности трудг и себестоимость добычи нефти и газа, но и в большей степени на уровень занятых производственных фондов, поскольку скважины составляют их основную часть. Анализ данных по нефтедобывающим предприятиям, которые эксплуатируют месторождения, находящиеся в различных стадиях разработки, показывает, что фондоемкость продукции по месторождениям в последней стадии разработки в несколько раз выше, чем по месторождениям, вышедшим на максимальную добычу нефти. Вместе с тем растут и текущие издержки производства.  [c.15]

economy-ru.info

Прогнозирование цен на нефть при помощи нейросетевой модели

Сегодня нефть остается одним из самых важных источников энергии для человечества, поэтому все страны являются потребителями нефти и нефтепродуктов.

Как производители, так и потребители озадачены вопросом цены на нефть, так как ее динамика характеризует уровень издержек во всех производственных отраслях. Экономика многих стран основывается на добыче нефти и торговли нефтью и нефтепродуктами, поэтому прогнозирование цен на нефть является актуальной задачей [1, с. 6].

Целью научной статьи является выявление факторов, оказывающих влияние на цену на нефть и прогноза цен на 2015 год на основе нейросетевой модели.

Объектом прогнозирования являются непосредственно сами цены на нефть, а предметом — динамика цен на нефть.

Основными факторами следует считать состояние и темпы развития мировой экономики, прежде всего темпы изменения ВВП (см. рис.1).

Рис. 1. Связь цены на нефть марки Brent и номинального ВВП

 

Как следствие роста ВВП возрастет спрос и цены на нефть в развивающихся странах. В 2003–2013 гг. объем номинального ВВП России, цены на нефть марки Brent увеличились более чем в 5 раз, несмотря на то, что в 2008 году произошел финансовый кризис. Среднегодовая цена на нефть снизилась более чем на треть, объем номинального ВВП России в течение года сократился более чем на 25 % [2, с. 6].

Однако зависимость роста ВВП от цен на нефть в некоторых случаях для России оказалась тяжелым бременем. В 2008 году произошел мировой финансовый кризис, вследствие чего снизились цены на нефть, что стало большим стрессом для экономики России.

На рост или снижение цен на нефть, помимо ВВП страны, значительное влияние оказывают климатические условия, научно-технические достижения, фактор истощения запасов нефти и др. (см. таблица 1) [1, с.4].

Таблица 1

Факторы, влияющие на формирование цены на нефть

Снижение цены

Рост цены

Научно-Технический прогресс

Открытие альтернативных источников энергии

Повышение запасов

Теплая зима

Открытие новых месторождений

Рост ВВП

Военные конфликты

Сокращение запасов

Холодная зима

 

Существуют множество способов прогнозирования цен на нефть. В основе данной научной работы лежит метод нейросетевого прогнозирования, который основан на явлении обучения нейронов, соединенных друг с другом.

Входными данными в нейронную модель являются ретроспектива цен на нефть и факторы, оказывающие влияние на нефть. Далее проводится анализ степени воздействия отобранных факторов на разных промежутках времени, который также включает в себя корреляционный анализ выбранных данных [3, с.8].

В качестве входящей переменной рассматриваются среднемесячные цены на нефть в соответствующем году и в результате строится ежемесячный прогноз на конец 2014- середину 2015гг.

Для того чтобы приступить к анализу данных и построению эконометрических моделей, необходимо посмотреть описательные статистики по переменным, а так же проверить данные на наличие выбросов. Все это необходимо сделать для получения наиболее точной модели.

Для этого строится гистограмма остатков регрессии для цен на нефть (см. рис.2).

Рис. 2. Гистограмма остатков регрессии для цены на нефть

 

Далее проверяется ряд на гетероскедастичность (см. рис.3). Визуальный анализ гетероскедастичной модели позволяет выявить отсутствие каких-либо признаков непостоянства дисперсии. При этом близость рассмотренных данных к кривой говорит о надежности построенных нейронных сетей.

Рис. 3. График гетероскедастичной модели

 

Для определения тесноты связи данных рассматриваемой модели проводится корреляционный анализ (см. рис.4).

Рис. 4. Данные корреляционного анализа

 

Из выше представленной таблицы можно сделать вывод, что переменные данные являются значимыми. Это говорит о том, что они оказывают влияние на объясняемую — цену на нефть.

Полученные значения нейросетевой модели близки к значениям исходного ряда цен на нефть. Построенная модель соблюдает тенденцию ряда (см. рис.5).

Рис. 5. График прогноза по нейросетевой модели

 

По результату прогноза можно отметить, цены на нефть будут иметь незначительную тенденцию к росту и в целом будут стабильны. Проанализировав статьи и прогнозы, которые уже существуют на цены нефти в 2014 году стоит отметить, что в июне 2014 года котировки цен на нефть марки Brent снизились со 112 до 107 долларов за баррель. Отрицательная динамика демонстрировалась на фоне замедления глобального экономического роста, а также замедления экономики Китая и Европы. Необходимо учесть неактивную позицию представителей стран ОПЕК по отношению к квотам на добычу нефти, что негативно влияет на бюджет нефтедобывающих стран.

Прогноз указывает на рост волатильности нефтяных цен в конце 2014 года, что может являться отражением краткосрочного коррекционного снижения доллара. Нейромоделирование дает минимальную планку 87 долларов за баррель в декабре 2014 года, а максимальную 92 доллара за баррель в июне 2015г. Средняя цена с января 2015 по ноябрь 2015 гг. составит 90,4 доллара за баррель нефти.

Вывод. В работе освещены факторы, влияющие на изменение цен на нефть, и приведен анализ влияния. Спрогнозирована цена на нефть на 2015 год методом нейросетевого прогнозирования. Таким образом, максимальная цена за баррель нефти составит 90,4 доллара.

 

Литература:

 

1.                  Брагинский, О. Б. Цены на нефть: история, прогноз, влияние на экономику [Текст] / Рос.хим.ж. (Ж. Рос.хим.об-ва им. Д. И. Менделеева). М: ЛП. 2008., № 6., С. 25–36.

2.                  Исаин Н. В. Нефтегазовая Вертикаль [Электронный ресурс]: Электронный научный журнал, 2013., № 02., [сайт]: http://www.energystrategy.ru/press-c/source/Isain_NGV-2–13.pdf.

3.                  Соколов А. Н. Нефтегазовое дело [Электронный ресурс]: Электронный научный журнал, 2002., № 4., [сайт]: http://ogbus.ru/authors/SokolovAN/SokolovAN_8.pdf.

moluch.ru

Анализ внутренних и внешних факторов развития российского рынка нефтесервисных услуг - Бурение и Нефть

Журнал входит в перечень ВАК

(495) 979-13-33, (495) 971-65-84, (925) 384-93-11, (909) 670-44-09, тел./факс: (499) 613-93-17

Analysis of internal and external development factors of russian market of oilfield services

D. CHUEV, MGIMO University under Ministry of Foreign Affairs of the Russian Federation

Статья посвящена анализу внутренних и внешних факторов развития российского рынка нефтесервисных услуг. Проводится корреляционный анализ между объемами добычи (с учетом газового конденсата), стоимостью нефти и объемами российского рынка нефтесервисных услуг. Приведена оценка влияния мер государственного регулирования (таможенно-тарифных, налоговых и нетарифных), НТП и прочих факторов на рынок нефтесервисных услуг России.

Article is dedicated to the analysis of external and internal factors of the development of Russian oilfield services market. In the article the author conducts correlation analysis between oil (including gas condensate) extraction volumes, oil prices and Russian oilfield services market. Also author analyzes the influence of state regulation measures (customs, tariff, fiscal and nontariff regulation), scientific and technological progress and other factors on Russian oilfield services market.

На развитие российского рынка нефтесервисных услуг оказывает влияние целая группа как внешних, так и внутренних факторов. Одними из ключевых внешних факторов являются объемы добычи нефти и газа. С увеличением добычи растет спрос на услуги по разведочному и эксплуатационному бурению, геофизические услуги и т. д. В табл. 1 представлена динамика добычи нефти в России и мире с 1970 г., а также доля российской добычи в общемировой [1].

Табл. 1. Добыча нефти, включая газовый конденсат в России и в мире в период с 1970 по 2011 гг.

Источник: Russian Market of Oilfield Services. Analytical Review // RosBusinessConsulting / Department of Consulting. Moscow, 2010. С. 7.

Проведем расчет корреляции двух показателей (добыча нефти в России и объем рынка нефтесервисных услуг) с 2003 по 2011 гг. с помощью линейного коэффициента корреляции (коэффициента корреляции Пирсона) [2]: В результате проведенных расчетов линейный коэффициент корреляции между показателями объема добычи нефти и объемом рынка нефтесервисных услуг России составил 0,852, что показывает сильную прямую связь между двумя параметрами (в рамках от 0,7 до 0,9).Выдвинем также гипотезу о зависимости стоимости нефти и объемов рынка нефтесервисных услуг. Стоимость нефти напрямую влияет на величину выручки нефтегазовых компаний и, как следствие, объем средств, направленных на инвестиции в разведку и эксплуатацию месторождений. Приведем данные по среднегодовой стоимости одного барреля нефти в период 2003 по 2011 гг. (табл. 2).В результате проведенных расчетов (по формуле расчета коэффициента корреляции Пирсона, см. выше) коэффициент корреляции между среднегодовой ценой барреля нефти и годовым объемом российского рынка нефтесервисных услуг составляет 0,966 (более 0,9), что отражает очень сильную прямую зависимость между этими двумя величинами.

Рис. 1. Корреляция результатов деятельности нефтесервисных компаний от конъюнктуры на рынке углеводородов

На рис. 1 изображена логическая взаимосвязь между ценой на углеводороды и величиной выручки нефтесервисных компаний.Рост объемов заказов соответственно увеличивает доходы и выручку нефтесервисных компаний. При этом аналогичная тенденция наблюдается при снижении цен на энергоносители, что непосредственно приводит к снижению выручки нефтесервисных компаний (например, в 2008 – 2009 гг., табл. 2).

Табл. 2. Среднегодовая стоимость барреля нефти (долл. США) и объем российского рынка нефтесервисных услуг (млрд долл. США)

Источник: Russian Oilfield Services Market / Integra Group: Performance Update // Отчет компании «Интегра». Январь, 2012. С. 5.

Конъюнктура на мировом рынке углеводородов и, как следствие, платежеспособный спрос на нефтесервисные услуги оказывает влияние на объем инвестиций нефтегазовых компаний на нефтесервисные услуги, количество буровых установок, количество пробуренных скважин и объемы бурения в абсолютных величинах. Количество буровых установок является ограничительным фактором, который определяет максимальные возможности компаний по оказанию нефтесервисных услуг, тем самым оказывая влияние на доходы компаний и объемы предложения на рынке нефтесервисных услуг.

Рис. 2. Динамика количества пробуренных скважин в России в период с 2000 по 2017 гг. (оффшорные и наземные), за 2011 – 2017 гг., даны экспертные оценки

Источник: Drilling and Production Outlook // Spears and Associates, Inc. December, 2011. P.68.

На рис. 2 изображена динамика количества пробуренных скважин в России (наземных и оффшорных) в период с 2000 по 2017 гг. (за 2011 – 2017 гг. даны экспертные оценки) [3].Количество пробуренных скважин оказывает непосредственное влияние на рынок нефтесервисных услуг, с одной стороны, увеличивая спрос на услуги по бурению (разведочному и эксплуатационному), с другой стороны – увеличивая спрос на услуги по поддержанию работоспособности пробуренных скважин (капитальный и текущий ремонт). Мировой финансовый кризис 2008 – 2009 гг. не оказал особого влияния на количество пробуренных скважин. Это связано, прежде всего, с тем, что нефтесервисные компании во время кризиса были вынуждены «замораживать» или снижать цены на свои услуги, сохраняя при этом объемы работ. Значительный рост пробуренных скважин на оффшорных месторождениях в 2008 г. (с 10 до 20 скважин) связан с введением в эксплуатацию платформы ЛСП-1, которая проводит работы по бурению на месторождении Юрия Корчагина в Каспийском море и принадлежит ОАО «НК «Лукойл». Одним из ключевых внутренних факторов развития рынка нефтесервисных услуг является его структура. Российский рынок представлен несколькими группами участников: частными компаниями, нефтесервисными подразделениями нефтегазовых корпораций и зарубежными корпорациями. Выделение нефтесервисных компаний в отдельные предприятия сопряжено с рисками, которые влияют на деятельность ВИНКов и всего нефтегазового комплекса. Следующим внешним фактором развития рынка нефтесервисных услуг являются меры государственного регулирования. При этом на развитие рынка оказывают непосредственное воздействие государственная политика как в области регулирования рынка нефтесервисного рынка, так и нефтегазовой отрасли в целом. Меры государственного регулирования можно разделить на три основные группы: I. Меры налогового регулирования. II. Меры таможенно-тарифного регулирования.III. Нетарифные методы регулирования. В настоящее время меры налогового регулирования Правительства Российской Федерации направлены на стимулирование развития добычи нефти и газа в труднодоступных и малых месторождениях, прежде всего в Восточной Сибири и на континентальном шельфе РФ. До 2007 г. в РФ существовала единая ставка налога на добычу полезных ископаемых (НДПИ). С 2007 г. система налогообложения по налогу НДПИ начинает дополняться изменениями, целью которых является стимулирование увеличения добычи нефти и газа на труднодоступных и малых месторождениях, а также увеличение коэффициента извлечения запасов [4]. Предполагается, что льготы стимулируют разработку участков недр с незначительными начальными извлекаемыми запасами нефти, а также ускорят вовлечение в разработку дополнительных объемов запасов нефти и повысят конкурентоспособность нефтедобывающих организаций.3 мая 2012 года В.В. Путин объявил о разработке стимулирующих мер для развития наиболее сложных нефтегазовых проектов. Согласно заявлению президента НДПИ для данных проектов будет составлять от 0% до 10% от стандартной ставки, для средней категории – от 10% до 30% и для более легкой – от 30% до 50%. Льгота будет предоставляться на 10, 7 и 5 лет соответственно [5].Данные меры налогового стимулирования направлены на развитие всего нефтегазового сектора российской экономики, в том числе развитие рынка нефтесервисных услуг. Ко второй группе мер государственного регулирования относятся меры таможенно-тарифного регулирования. Примерами мер таможенно-тарифного регулирования, которые оказывают значительное влияние на развитие рынка нефтесервисных услуг, являются: 1. Экспортные пошлины на нефть и газ. Экспортные пошлины увеличивают затраты нефтегазовых компаний и, как следствие, оказывают воздействие на инвестиционные бюджеты нефтегазовых компаний, тем самым опосредованно воздействуют на спрос на рынке нефтесервисных услуг.В настоящее время (с 01.10.2011 г.) экспорт нефти и нефтепродуктов из России облагается по системе «60–66». В соответствии с этой системой экспортная пошлина на нефть рассчитывается с коэффициентом 0,6, на нефтепродукты – 0,66 от пошлины на нефть. Введение в октябре 2011 года системы «60–66» стало важной стимулирующей мерой для повышения привлекательности инвестирования в бурение и добычу.2. Импортные пошлины на нефтегазовое оборудование. С одной стороны «разумное» увеличение импортных пошлин на нефтегазовое оборудование оказывает положительное влияние на деятельность российских производителей аналогов импортируемого оборудования. С другой стороны, увеличивает стоимость оборудования иностранного производства, что непосредственно сказывается на расходах нефтесервисных компаний, увеличивая себестоимость предоставляемых услуг. С 1 января 2012 г. вступило в силу решение комиссии Таможенного союза, которое регулирует ввод ввозной таможенной пошлины на буровые установки в размере 10% от их стоимости, но не менее 2,5 евро за килограмм [6]. Целесообразность введения пошлин аргументировалась тем, что наибольший удельный вес в импортных поставках буровых установок в Россию в последние годы приходил

burneft.ru

Факторный анализ - Большая Энциклопедия Нефти и Газа, статья, страница 1

Факторный анализ

Cтраница 1

Факторный анализ - это анализ влияния отдельных факторов ( причин) на результативный показатель с помощью детерминированных или стохастических приемов исследования. Причем факторный анализ может быть как прямым ( собственно анализ), т.е. заключающимся в раздроблении результативного показателя на составные части, так и обратным ( синтез), когда отдельные элементы соединяют в общий результативный показатель.  [1]

Факторный анализ позволяет изыскивать реальные пути роста рентабельности активов, в частности, за счет увеличения рентабельности продаж, т.е. снижая затраты на производство и реализацию продукции, работ и услуг.  [2]

Факторный анализ ( главные компоненты) относится к методам пассивного эксперимента. Суть метода заключается в переходе от пространства коррелированных входных факторов к пространству независимых переменных, называемых главными компонентами.  [4]

Факторный анализ направлен на выявление величины влияния факторов на прирост и уровень результативных показателей.  [5]

Факторный анализ используется для изучения структуры данных. Основной его посылкой является предположение о существовании таких признаков - факторов, которые невозможно наблюдать непосредственно, но можно оценить по нескольким наблюдаемым первичным признакам. Так, например, такие признаки, как объем производства и стоимость основных фондов, могут определять такой фактор, как масштаб производства. В отличие от нейронных сетей, требующих обучения, факторный анализ может работать лишь с определенным числом наблюдений. Хотя в принципе число таких наблюдений должно лишь на единицу превосходить число переменных рекомендуется использовать хотя бы втрое большее число значение. Это все равно считается меньшим, чем объем обучающей выборки для нейронной сети. Поэтому статистики указывают на преимущество факторного анализа, заключающееся в использовании меньшего числа данных и, следовательно, приводящего к более быстрой генерации модели. Кроме того, это означает, что реализация методов факторного анализа требует менее мощных вычислительных средств. Другим преимуществом факторного анализа считается то, что он является методом типа white-box, т.е. полностью открыт и понятен - пользователь может легко осознавать, почему модель дает тот или иной результат. Именно эти векторы являются аналогами факторов, объединяющих различные компоненты векторов памяти - первичные признаки.  [7]

Факторный анализ может быть одноступенчатым и многоступенчатым. Первый тип используется для исследования факторов только одного уровня ( одной ступени) подчинения без их детализации на составные части. При многоступенчатом факторном анализе проводится детализация факторов а и b на составные элементы с целью изучения их поведения. Детализация факторов может быть продолжена и дальше. В данном случае изучается влияние факторов различных уровней соподчиненности.  [8]

Факторный анализ этих коэффициентов дает возможность количественно оценить влияние на изменение значений коэффициентов таких факторов, как величина совокупных расходов, их качественный состав, величина производительных активов и активов в целом.  [9]

Факторный анализ - комплекс методов математической статистики, направленный на выявление скрытых закономерностей в массиве переменных. Позволяет перейти от совокупности измеренных показателей изучаемого явления к обобщенным факторам, дающим возможность выдвигать гипотезы относительно структуры явления.  [10]

Факторный анализ представляет собой анализ влияния отдельных факторов на результативный показатель с помощью детерминированных или стохастических приемов исследования. Факторный анализ может быть прямым, который заключается в раздроблении результативного показателя на составные части, и обратным, когда отдельные элементы соединяют в общий результативный показатель.  [11]

Факторный анализ как метод прикладной математической статистики, напомним, служит для выделения ограниченного числа важнейших скрытых факторов путем обработки большого числа показателей, характеризующих большое число сравниваемых объектов.  [12]

Факторный анализ ( ФА) представляет собой иной способ толкования структуры дисперсионно-ковариационной матрицы. Чтобы уяснить использование ФА, мы должны начать с более близкого рассмотрения понятия дисперсии. Совокупную дисперсию портфеля разделяют на систематическую и несистематическую.  [13]

Факторный анализ - это анализ влияния отдельных факторов ( причин) на результативный показатель с помощью детерминированных или стохастических приемов исследования. Причем факторный анализ может быть как прямым ( собственно анализ), т.е. заключающимся в раздроблении результативного показателя на составные части, так и обратным ( синтез), когда отдельные элементы соединяют в общий результативный показатель.  [14]

Факторный анализ ( главные компоненты) относится к методам пассивного эксперимента. Суть метода заключается в переходе от пространства коррелированных входных факторов к пространству независимых переменных, называемых главными компонентами.  [15]

Страницы:      1    2    3    4

www.ngpedia.ru

Идентификация нефтей Cамарской области с использованием метода главных компонент и факторного дискриминантного анализа Текст научной статьи по специальности «Общие и комплексные проблемы естественных и точных наук»

Redox Potentials, Basicities and Dipole Moments of the Diphenylamine Series As Analytical Reagents // Canad. J. Chem. 1999. Vol. 77, № 12. P. 2053-2058.

52. Панкратов А. Н., Щавлев А. Е. Протолитические, окислительно-восстановительные и полярные свойства реагентов ряда дифениламина : квантовохими-ческая оценка // Журн. аналит. химии. 2001. Т. 56, № 2. С. 143-150.

53. Панкратов А.Н. Строение продукта окисления дифениламина - родоначального представителя ряда аналитических редокс-реагентов // Журн. аналит. химии. 2001. Т. 56, № 2. С. 161-163.

54. Минкин В. И., Симкин Б. Я., Миняев Р. М. Теория строения молекул. Ростов н/Д : Феникс, 1997. 560 с.

55. Ермаков А. И. Квантовая механика и квантовая химия. М. : Изд-во Юрайт; ИД Юрайт, 2010. 555 с.

56. Minkin V. I. Glossary of Terms Used in Theoretical Organic Chemistry (IUPAC Recommendations 1999) // Pure and Appl. Chem. 1999. Vol. 71, № 10. P. 1919-1981.

57. Глоссарий терминов, используемых в теоретической органической химии (окончание) // Журн. орган. химии. 2001. Т. 37, вып. 7. С. 1105-1112.

58. Цирельсон В. Г. Квантовая химия. Молекулы, молекулярные системы и твердые тела. М.: БИНОМ. Лаб. знаний, 2010. 496 с.

59. Жидомиров Г. М., Багатурьянц А. А., Абронин И. А. Прикладная квантовая химия. Расчеты реакционной способности и механизмов химических реакций. М. : Химия, 1979. 296 с.

60. Яновская Л. А. Современные теоретические основы органической химии. М.: Химия, 1978. 360 с.

61. Днепровский А. С., Темникова Т. И. Теоретические основы органической химии. Строение, реакционная способность и механизмы реакций органических соединений. Л. : Химия. Ленингр. отд-ние, 1991. 560 с.

62. Ахметов Н. С. Общая и неорганическая химия. М. : Высш. шк., 2006. 743 с.

63. Тодрес З. В. Ион-радикалы в органическом синтезе. М. : Химия, 1986. 240 с.

64. Camaioni D. M., Franz J. A. Carbon-Hydrogen vs. Carbon-Carbon Bond Cleavage of 1,2-Diarylethane Radical Cations in Acetonitrile-Water // J. Org. Chem. 1984. Vol. 49, № 9. P. 1607-1613.

УДК 543.041

ИДЕНТИФИКАЦИЯ НЕФТЕЙ САМАРСКОЙ ОБЛАСТИ С ИСПОЛЬЗОВАНИЕМ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ И ФАКТОРНОГО ДИСКРИМИНАНТНОГО АНАЛИЗА

А. Л. Лобачев1, Н. В. Фомина1, Ю. Б. Монахова2

1Самарский государственный университет E-mail: [email protected] 2Саратовский государственный университет E-mail: [email protected]

Разработка методов идентификации месторождений нефти является приоритетной задачей нефтяной промышленности. В ходе исследования были определены следующие параметры для 2963 образцов нефти с пяти месторождений Самарской области: плотность, выход фракций при температуре 200 оС и 300 оС, массовая доля серы, содержание сероводорода, метил- и этилмеркаптанов, массовая концентрация хлористых солей и давление насыщенных паров. Матрица экспериментальных данных обработана с помощью хемометри-ческого метода главных компонент (МГК) и факторного дис-криминантного анализа (ФДА). Полученные модели позволяют определять месторождение образцов нефти с вероятностью практически 100%. Проведена проверка хемометрических моделей с помощью независимого тестового набора, которая показала достоверность и устойчивость моделей. Результаты проведенного анализа свидетельствуют о перспективности применения хемометрических методов для дискриминации образцов нефти различных месторождений Самарской области, а подобный подход может быть использован и для классификации образцов нефти из других регионов.

Ключевые слова: нефть, метод главных компонент, факторный дискриминантный анализ, классификация.

Identification of Oils from Samara Region Using Principal Component Analysis and Factor Discriminant Analysis

А. L. Lobachev, N. V. Fomina, Yu. B. Monakhova

Development of methods for identification of oils is of high priority in oil industry. The following parameters for 2963 oil samples from five oilfields in the Samara region were determined: density, fraction yield at 200 °C and 300 °C, the mass fraction of sulfur, hydrogen sulphide, methyl and ethyl mercaptan, the mass concentration of chloride salts, the saturated vapor pressure. The matrix of experimental data was analyzed using principal component analysis (PCA) and factorial discriminant analysis (FDA) methods. The models obtained are able to determine the oilfield of samples with probability of almost 100%. Chemometric models have been proved

© /Лобачев Л. Л, Фомина Н. В., Монахова Ю. Б., 2015

Изв. Сарат. ун-та. Нов. сер. Сер. Химия. Биология. Экология. 2015. Т. 15, вып. 1

by the independent test set validation, which showed the accuracy and stability of the models. The results of the analysis indicated the prospects of application of chemometric methods in the investigation of oil samples from Samara region and the developed approach can be used to discriminate oils from another regions. Key words: oil, principal component analysis, factor discriminant analysis, classification.

Развитие новых отраслей науки и техники, анализ объектов природного и техногенного происхождения, занимающий ключевое место в экологических экспертизах, химической, нефтяной, пищевой промышленности, ставят перед аналитической химией задачу совершенствования методов качественного и количественного анализа. В зависимости от поставленных целей и задач выбираются схемы проведения анализа, этапность их реализации, методы исследований.

Наиболее простой и доступный метод идентификации - использование индивидуальных эталонных веществ или эталонных смесей. Необходимо лишь разложить анализируемую смесь при таких же условиях, при которых была разделена эталонная смесь. Но провести однозначную идентификацию таким образом можно только тогда, когда исследователь имеет необходимые эталонные вещества, причем компоненты смеси хорошо разделяются. Как правило, на практике данные условия не выполняются.

Нефть - весьма сложный объект анализа [1], для идентификации которого предпочтительным является использование математических методов моделирования экспериментальных данных. Особый интерес представляет определение месторождения, на котором добыт тот или иной образец нефти. Иногда для решения этой задачи используется комбинация аналитических методов. Так, авторами [2] на примере нефтей Ханты-Мансийского АО показано, что для идентификации источников нефтяных загрязнений по составу примесей могут быть использованы гамма-спектрометрический, атомно-абсорбцион-ный, атомно-эмиссионный и рентгенофлуорес-центный методы анализа, а также индуктивно-связанная плазма с масс-спектрометрической или оптической регистрацией. Однако методы высокого разрешения также могут не давать 100%-ной надежности идентификации материала сложного состава.

Таким образом, на сегодняшний день основным путем решения задачи идентификации географического происхождения нефтей является прямой метод, который заключается в проведении полного качественного и количественного анализа состава материала и дальнейшего

сравнения полученных данных с данными о материале сравнения. Однако идентификация и количественное определение абсолютно всех компонентов реальных объектов принципиально невозможны из-за отсутствия индивидуальных стандартных веществ (компонентов нефти). В общем случае причиной отсутствия стандартов могут быть дороговизна, малый срок годности, но чаще всего отсутствие его как такового. В любом случае данное принципиальное ограничение заставляет искать новые подходы в обработке и использовании полученной химиками-аналитиками информации на основе развития различных безэталонных аналитических методов, в частности, использования интегральной совокупности аналитических сигналов, обработанных с помощью различных статистических методов.

В настоящей работе изучена возможность использования метода главных компонент (МГК) и факторного дискриминантного анализа (ФДА) для определения месторождения нефти по ее стандартным показателям качества.

Экспериментальная часть

В работе проводилось определение стандартных характеристик проб нефти, отобранных с пяти месторождений Самарской области. Пробы отбирались в соответствии с ГОСТ 2517-85 «Нефть и нефтепродукты. Методы отбора проб», всего за период январь-декабрь 2011 г. с каждой группы месторождений было проанализировано от 350 до 725 проб нефти.

Определяли такие характеристики, как плотность (ареометрически по ГОСТ 3900-85, использовали ареометр для нефти АН соответствующего диапазона), выход фракций при температуре 200 оС и 300 оС (по ГОСТ 2177-99, на аппарате для разгонки нефти и нефтепродуктов БИ-4), массовую долю серы (по ГОСТ Р 51947-2002, использовали энергодисперсионный рентгенофлуоресцентный анализатор ОХБОКЭ ЬаЬ-Х-3500), содержание сероводорода, метил- и этилмеркаптанов (хроматографически по ГОСТ Р 50802-95, использовали комплекс хро-матографический «Хроматэк-Кристалл-5000»), массовую концентрацию хлористых солей (ти-триметрически по ГОСТ 21534-76, использовали экстрактор хлористых солей ПЭ-8110, БЕ-8110, средства измерения в соответствии с требованиями ГОСТ), массовую долю воды (по ГОСТ 2477-65), давление насыщенных паров (по ЛБТМ Б 323-08, использовали автоматический анализатор давления насыщенных паров ЛШ:оЯе1^. Данные характеристики предложены в качестве параметров для моделирования.

Набор данных составил выборку из 2963 образцов, из них 686 относятся к первому, 716 -ко второму, 725 - к третьему, 357 - к четвертому и 479 - к пятому месторождению нефти, различающихся по географическому положению.

Моделирование данных производили на основе программного комплекса MATLAB 2013b (The MathWorks, Natick, USA) с встроенной в него оболочкой для хемометрических расчетов SAISIR [3].

Для визуализации и поиска скрытых закономерностей в экспериментальных данных был использован МГК [4]. В качестве предварительной обработки использовано центрирование данных. Метод ФДА выбран для классификации месторождений нефти по географическому положению [5]. Наличие большой выборки объектов позволило применить метод проверки модели с помощью тестового набора. Для этого все образцы разделены случайным образом на обучающий (1975 образцов) и проверочный (988 образцов) наборы данных.

Результаты и их обсуждение

Метод главных компонент

Хемометрическое исследование многомерных данных независимо от природы сигналов

(спектры, хроматограммы, дискретные данные) обычно начинают с применения метода главных компонент [6-9]. МГК дает возможность отделить содержательную часть данных от шума, что позволяет представить полезную информацию в более компактном виде, удобном для визуализации и интерпретации [5,6].

В нашем случае МГК применен для матрицы данных размером 2963-9 (9 различных характеристик для 2963 объектов). Установлено, что данные могут быть описаны тремя главными компонентами (ГК), которые в сумме объясняют 99.9% дисперсии данных (ГК1 - 97.6%, ГК2 - 1.5% и ГК3 - 0.8%). График счетов в пространстве ГК1-ГК2 показывает дискриминацию кластеров, соответствующих различным месторождениям нефти (рис. 1). Очевидно, что кластеры, отвечающие месторождениям 3-5, достаточно хорошо разделены друг от друга, однако кластеры групп месторождений 1 и 2 значительно перекрываются между собой. Следует отметить, что эти два кластера не разделены при рассмотрении третьей ГК, например, в пространстве ГК1-ГК3 или ГК2-ГК3.

Для выявления влияния девяти переменных на разделение групп месторождений был использован график нагрузок (рис. 2).

Рис. 1. График счетов в пространстве ГК1-ГК2 (эллипсы построены с вероятностью 95%, цифры указывают кластер каждого месторождения)

A1 97.6%

Рис. 2. График нагрузок в пространстве ГК1-ГК2: density - плотность при 20°С, chloride - концентрация хлорных солей, water - массовая доля воды, sulphour -массовая доля серы, pressure - давление насыщенных паров, h3s - масс. доля сероводорода, merkapt - массовая доля метил- и этилмеркоптанов в сумме, fraction 200 - выход фракций при 200°С, fraction 300 - выход фракций при 300°С

Видно, что такие параметры, как выход фракций при 200°С и 300°С, характеризуют месторождения 1 и 2, в то время как массовая доля сероводорода и значение плотности особенно значимы для месторождения 5.

Факторный дискриминантный анализ

Следующим этапом работы стало построение классификационной модели для установления принадлежности новых образцов к месторождению по географическому положению. С этой целью использовали факторный дискриминантный анализ - один из классификационных методов с обучением [5, 10, 11].

Обучающий набор образцов (1975 объектов) использован для построения модели классификации, с помощью которой новый образец может быть отнесен к конкретному месторождению. Результаты классификации в виде матрицы неточностей (confusion matrix) для обучающего набора данных приведены в табл. 1. Общий процент правильных классификаций с учетом всех 5 групп составил более 99%. Только 17 образцов были неправильно распознаны: 16 образцов, фактически принадлежащие ко 2-му месторождению, были классифицированы как объекты 4-го месторождения, а образец 1

из 4-го месторождения ложно отнесен к 1-му месторождению (см. табл. 1). Следует отметить, что дискриминантный анализ обеспечивает большую точность разделения групп месторождений, чем МГК, обеспечивая также полное разделение кластеров 1-го и 2-го месторождений.

Таблица 1

Матрица неточностей по результатам классификации объектов из обучающего набора методом ФДА

1 2 3 4 5

1 456 0 0 0 0

2 0 454 0 16 0

3 0 0 493 0 0

4 1 0 0 224 0

5 0 0 0 0 331

Примечание. По горизонтали - фактические, по вертикали - предсказанные группы.

Очевидно, что построенная нами модель нуждается в полноценной проверке. Для этого выбран метод тест-валидации, так как объем выборки достаточен для проверки такого типа. В табл. 2 представлены результаты отнесения объектов из тестового набора к пяти группам месторождений. Как и в случае обучающего набора данных, наибольшая неопределенность

существует в отнесении между 2-м и 4-м месторождением (принадлежность 7 из 246 объектов второй группы была ложно предсказана). Процент точных предсказаний составил 97% для второй группы, в то время как средняя точность метода по всем группам достигла почти 100% (см. табл. 2).

Таблица 2

Матрица неточностей по результатам классификации объектов из проверочного набора методом ФДА

1 2 3 4 5

1 230 0 0 0 0

2 0 239 0 7 0

3 0 0 232 0 0

4 0 1 0 131 0

5 0 0 0 0 148

Примечание. По горизонтали - фактические, по вертикали - предсказанные группы.

Заключение

Таким образом, нами показано, что хемо-метрические методы (МГК, ФДА) могут быть использованы для определения географического положения месторождения нефти на основании совместного моделирования численных значений 9 параметров, характеризующих качество нефти. Для идентификации неизвестного образца нефти использование указанного подхода требует проведения большого объема работы по многократному измерению каждого из идентификационных параметров. Однако, имея в виду хорошую точность предсказания, полученную для тестового набора, метод может быть рекомендован для рутинного контроля географического происхождения нефти Самарской области.

Работа выполнена в рамках государственного задания Минобрнауки России (проект № 4.1708.2014^.

Список литературы

1. Вигдергауз М. С. Аналитическая химия нефти. Куй -бышев : Куйбыш. гос. ун-т, 1990. 27 с.

2. Семенов В. А. Экоаналитическая идентификация источников загрязнений нефтяными углеводородами // Разведка и охрана недр. 2005. № 5. С. 57-61.

3. Cordella С. B. Y., Bertrand D. SAISIR : A new general chemometric toolbox // Trends Anal. Chem. 2014. Vol. 54. P. 75-82.

4. Wold S., Esbensen K., Geladi P. Principal component analysis // Chemom. Intell. Lab. Syst. 1987. Vol. 2. P. 37-52.

5. Benzecri J. P. Analyse Discriminante et Analyse Facto-rielle // Les Cahiers de l'Analyse des Donnees. 1977. Vol. 2. P. 369-406.

6. Родионова О. Е., Померанцев А. Л. Хемометрика: до-

стижения и перспективы // Успехи химии. 2006. Т. 75, № 4. С. 302-321.

7. Monakhova Y. B., Kuballa T., Leitz J., Andlauer C., Lachenmeier D. W. NMR spectroscopy as a screening tool to validate nutrition labeling of milk, lactose-free milk, and milk substitutes based on soy and grains // Dairy Sci. Technol. 2012. Vol. 92. P. 109-120.

8. Macnaughtan Jr. D., Rogers L. B., Wernimont G. Principal-component analysis applied to chromatographic data // Anal. Chem. 1972. Vol. 44. P. 1421-1427.

9. Gergen I., Harmanescu M. Application of principal com-

ponent analysis in the pollution assessment with heavy metals of vegetable food chain in the old mining areas // Chem. Central J. 2012. Vol. 6. P. 156-162.

10. Mouly P. P., Arzouyan C. R., Gaydou E. M., Estienne J.M. Differentiation of citrus juices by factorial discriminant analysis using liquid chromatography of flavanone glycosides // J. Agric. Food Chem. 1994. Vol. 42. P. 70-79.

11. Hammamia M., Rouissia H., Salaha N., Selmia H., Al-Otaibib M., Bleckerc C., Karoui R. Fluorescence spectroscopy coupled with factorial discriminant analysis technique to identify sheep milk from different feeding // Food Chem. 2010. Vol. 122. P. 13441350.

cyberleninka.ru