Развитие инструментария прогнозного моделирования многокомпонентных рядов динамики добычи нефти и газа тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Данилова, Анастасия Александровна

  • Данилова, Анастасия Александровна
  • кандидат науккандидат наук
  • 2018, Самара
  • Специальность ВАК РФ08.00.13
  • Количество страниц 135
Данилова, Анастасия Александровна. Развитие инструментария прогнозного моделирования многокомпонентных рядов динамики добычи нефти и газа: дис. кандидат наук: 08.00.13 - Математические и инструментальные методы экономики. Самара. 2018. 135 с.

Оглавление диссертации кандидат наук Данилова, Анастасия Александровна

Содержание

ВВЕДЕНИЕ

Глава 1 Обзор современного состояния рынка нефтегазодобычи и актуальность реализации его прогнозного моделирования

1.1 Жизненный цикл добычи невозобновляемых ресурсов

1.2 Особенности современного рынка невозобновляемых ресурсов

1.3 Моделирование и прогнозирование добычи нефти и газа

1.3.2 Декомпозиция

1.3.3 Полимодальность

Выводы по первой главе

Глава 2 Системное развитие прогнозного моделирования нефтегазодобычи: адаптация трендов, декомпозиция колебательной компоненты, комплексный критерий точности, выбор методов и средств структурной идентификации

2.1 Критерии оценки точности моделирования и прогнозирования

2.2 Модели, описывающие жизненный цикл добычи

2.2.1 Тренд

2.2.2 Комплекс моделей для отражения асимметрии моделей кривых

2.2.3 Модели взаимодействия колебательной компоненты с трендом

2.3 Идентификация моделей на основе генетического алгоритма

2.3.1 Принцип работы генетического алгоритма

2.3.2 Настройки ГА

2.3.3 Реализация методов описания показателей добычи невозобновляемых ресурсов в программе "ОП_Ые^"

2.3.4 Оптимизация работы программы "Ой_ИепГ' путем векторизации задачи и использования параллельных вычислений

2.3.5 Пакетный запуск программы «Ой_ИеП»

2.3.6 Сравнение работы методов идентификации

Выводы по второй главе

Глава 3 Подтверждения точности предложенных решений на реальных данных нефтегазодобычи и рекомендации по их использованию

3.1 Исследование добычи нефти и газа в различных странах и регионах этих стран

3.2 Исследование добычи сланцевых нефти и газа

3.3. Добыча нефти и газа в регионах России

3.4. Добыча невозобновляемых ресурсов в штате Техас, США

3.4.1 Добыча нефти

3.4.2 Добыча газа

3.5 Эволюция моделей тренда

Выводы по третьей главе

Заключение

Список литературы

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Введение диссертации (часть автореферата) на тему «Развитие инструментария прогнозного моделирования многокомпонентных рядов динамики добычи нефти и газа»

ВВЕДЕНИЕ

Актуальность темы исследования. Добыча невозобновляемых ресурсов, таких как, нефть, природный газ, уголь, золото, торф, уран и другие редкоземельные элементы и т.п. является важнейшей финансовой составляющей экономики стран, реализующих их добычу, определяет возможности развития многих современных технологий во всем мире.

Актуальной становится проблема возможности исчерпания этих ресурсов и недостаток обеспечения ими жизнедеятельности людей. Так при нынешних темпах потребления, разведанной нефти хватит примерно на 40 лет, неразведанной — ещё на 10—50 лет [150]. Аналогичная ситуация складывается с добычей редкоземельных элементов и природного газа (85% его запасов сосредоточено в Китае). Лучше ситуация с добычей угля, торфа, запасов которых хватит еще на сотни лет. Золота, запасы которого в основном находятся в ЮАР, Китае и США, при сегодняшних темпах потребления хватит только на 50-60 лет.

В России значительная часть бюджета формируется за счет продажи продуктов нефтегазодобычи, причем уже остро встал вопрос о продлении более прибыльных этапов жизненного цикла продукта (ЖЦП) [44]: например, по итогам исполнения федерального бюджета в январе - феврале 2016 года доля нефтегазовых доходов в общем объеме доходов составила лишь 37,4% (данные Минфина). Это самая низкая доля нефтегазовых доходов с августа 2009г.

Экономические санкции ряда западных стран на Россию обуславливают необходимость инновационного развития нашей экономики, также актуализируя задачу моделирования нефтегазодобычи. Моделирование должно принципиально иметь «прогнозный» характер (в англоязычной литературе используют термин «предикторный», а в России -также «предикторный» (например, в работе [24]) или чаще - «прогнозное» или «эволюционное моделирование»), что означает ориентацию на прогнозирование различных горизонтов нефтегазодобычи, на оценку воздействия технологических инноваций при добыче, на влияние экономических условий организации добычи, на учет человеческого фактора и т.д. Одним из современных методов теории управления, используемых в нефтепереработке, химической промышленности и т.д. является управление именно с прогнозными моделями. Отрицательная обратная связь, учитывающая построенные модели, уточняет эволюцию объектов анализа, прогнозы траекторий, что убедительно показано для нефти и газа, например, Соколовым В.А., Хусаиновым А.Т. [90]

Анализ моделей динамики исчерпания ресурсов сложен: они нелинейны по параметрам, могут отличаться для различных видов ресурсов, быть разными для месторождений (микроуровень агрегирования показателей добычи), для регионов (мезоуровень агрегирования), для стран или групп стран (макроуровень), что затрудняет в итоге структурную идентификацию (выбор адекватной и лучшей модели по точности) и параметрическую идентификацию.

Однако, многими признана возможность во многих случаях использовать для текущих значений трендов траекторий колоколообразных моделей с выделением в них этапа роста, регистрации момента достижения пика добычи и его величины, а затем - этапа спада, который обычно имеет большую, чем у этапа роста длительность, обусловленную принимаемыми обычно решениями по продлению более прибыльного режима добычи.

Такие модели относятся к импульсным логистическим моделям, которые, как и получаемые их интегрированием кумулятивные логистические модели, относятся к классу интенсивно развивающихся в последние годы эконометрических моделей эволюции.

Вместо двух известных с середины 1 9-го века кумулятивных моделей Верхулста и Гомпертца в последние 30 лет предложили и используют почти пятьдесят импульсных и кумулятивных моделей. Многие из них не являются решениями дифференциальных уравнений, как это предлагалось прежде на основе данных геологии. Они представляют собой результат обработки статистических данных и называются феноменологическими. Знание геологии отдельного месторождения ресурса позволяет в определенной мере предположить траекторию добычи, но зачастую она может оказаться иной даже при добыче в территориально близких месторождениях, тем более в регионе, в стране, в группе стран, в мире.

Добавим, что траектория показателя добычи является сложной не только по модели, но и по многокомпонентности: тренд может состоять из взаимодействия трендов (например, суммирования трендов при введении в эксплуатацию новых крупных месторождений и данных других стран). Кроме того, в ней зачастую присутствуют и колебания довольно сложных видов (например, из-за аварий, изменений технологий добычи на месторождениях, экономических возможностей оператора добычи, в том числе из-за экзогенных политических факторов, экономических циклов и т.п.).

Необходимо при этом учитывать в первую очередь взаимодействие (или его отсутствие) больших по величине уровней тренда и колебательной

компоненты. Результаты по учету колебательной компоненты в моделях динамики добычи ресурсов в мировой практике неизвестны.

Что же касается малой по уровню, но наиболее динамичной стохастической компоненты, то параметрическую идентификацию моделей траектории добычи целесообразно реализовывать методом, не зависящим от априори неизвестной структуры ее взаимодействия (аддитивного или мультипликативного) с другими компонентами.

И, наконец, придется использовать для анализа всех видов невосполняемых ресурсов относительно короткие (до 20-50 наблюдений) выборки многокомпонентных траекторий, для которых практически не применимы классические методы статистики, оперирующие с выборками в 100 и более наблюдений. Размеры выборки могут быть определены видами ресурса, применяемыми технологиями добычи, а при наличии большей длительности выборок они могут относиться к различным стадиям эволюции добычи (разным технологиям, разным экономическим условиям).

Покажем на реальных данных, что инструментарий, отвечающий указанным выше характеристикам, позволит не только осуществить актуальное совершенствование моделирования и прогнозирования добычи нефти и газа для мезо- и макроуровней уровней агрегирования показателей, но допускает распространение и на другие виды невосполняемых ресурсов.

Степень разработанности проблемы. До сих пор моделировали динамику невозобновляемых ресурсов обычно на мега- и макроуровнях агрегирования показателей добычи (в мире, в группе стран или в стране, реже в отрасли). Однако, в настоящее время актуально обеспечение высокой точности прогнозного моделирования на мезо- и микроуровнях агрегирования показателей добычи, для которых оно может быть сложнее.

На всех уровнях агрегирования точность прогнозного моделирования связывают с анализом трендов траекторий рядов наблюдений динамики добычи. Однако, резервом повышения его точности, прежде всего краткосрочного, может быть и учет характера взаимодействия колебательной компоненты траектории с трендом. Сегодня колебательную компоненту траектории или не учитывают (относят к аномальным выбросам, исключая из рассмотрения), или моделируют параболами, не отражающими воздействий других факторов или тренда ряда.

Уровни тренда и колебательной компоненты, в свою очередь, зависят и от внешних экономических факторов (бизнес-циклов разного вида). Известный метод представления бизнес-циклов полиномами не дает высокой точности. Представляется, что мониторинг эволюции динамики нефтегазодобычи можно оценить рассмотрением многомодельности

6

траектории: по известной траектории динамики добычи можно строить различные модели компонент, затем из них выбирать отрезки, на которых минимальны значения погрешности сравниваемых моделей, «склеивая» из них более точную модель для всей траектории, совмещая с ними и геологические данные нефтегазодобычи (А.А. Афанасьев, А.Д. Маланичев, В.Л. Сергеев и др.) [2,126].

Принято оценивать динамику трендов нефтегазодобычи жизненными циклами (ЖЦ) в виде колоколообразных импульсных логистических моделей (логист) с выделением в их траекториях рядов этапа роста и спада, регистрации момента достижения пика добычи и его уровня (Е.В. Семенычев). Хабберт предложил симметричную логисту для трендов динамики нефтегазодобычи. Известны и другие симметричные модели близкого вида: Гаусса, Лоренца-Коши-Капицы (далее Коши). Однако, на практике (Брандт и др.) зачастую точнее оказывались асимметричные модели: асимметричный вариант модели Хабберта, модели Хаммонда-Маккея или логнормального распределения. Большую длительность этапа спада ЖЦ добычи можно объяснить принимаемыми обычно решениями по продлению более прибыльного этапа добычи. В России эксплуатируется значительное число месторождений именно с этапом падающей добычи, поэтому прогнозному моделированию этого этапа следует уделять большее внимание (например, работы В.М. Тарасюка и др.). Наиболее современной и допускающей дальнейшее развитие представляется использование модели Хабберта, в которой формируется асимметрия на этапе спада добычи введением в исходную модель вместо параметра (числа), отвечающего за ширину колокола, функции в виде кумулятивной логисты Верхулста, определяемой реальными данными этого этапа, т.е. реализуется адаптация (М.Х. Хасанов, Н.О. Карачурин, Е.И. Тяжев).

Целью работы является развитие эконометрического инструментария моделирования рядов динамики нефтегазодобычи путем обеспечения большей точности и расширения области применения: использованием мер точности моделирования и прогнозирования; адаптирующего использования для этапа спада тренда динамики добычи кумулятивных логист, предложением учета взаимодействия колебательных компонент и тренда, также осуществлением полимодельного мониторинга эволюции моделей.

В соответствии с целью работы поставлены и решены следующие задачи:

1. Для адаптации эконометрического инструментария к динамике трендов рядов динамики нефтегазодобычи на этапе спада в отличие от известного решения (рассмотрения одной импульсной логисты тренда и

7

включения в нее одной модели кумулятивной логисты) рассмотреть комплекс применяемых на практике колоколообразных логист трендов, сравнить достигаемую точность от включения в каждую из них вместо параметра, отвечающего за ширину колоколообразного тренда, разных моделей кумулятивных логист.

2. Для повышения точности краткосрочного прогнозирования дополнить известные аддитивные и мультипликативные тренд-колебательные модели трендов рядов динамики нефтегазодобычи новыми аддитивно-мультипликативными моделями, учитывающими возможные взаимодействия колебательной компоненты с трендом. Предлагаемые многокомпонентные ряды моделировать гармониками с некратными частотами, соотнеся периоды этих гармоник с известными бизнес-циклами для характеристики действующих макроэкономических факторов.

3. Для повышения точности прогнозного моделирования нефтегазодобычи, оценить взвешенной суммой мер точность моделирования и прогнозирования, а мониторинг эволюции - реализацией многомодельных траекторий из трендов и колебательных компонент. Расширение области применения инструментария обеспечить высокоточным методом идентификации, оптимизацией его параметров и программных средств, а также предложить рекомендации по частоте возможного применения тех или иных прогнозных моделей для различных уровней агрегирования показателей добычи, указав виды бизнес-циклов, формирующих колебания.

Объектом исследования являются месторождения нефтегазодобычи регионов России, регионов других стран, отдельных стран, их групп и всего мира.

Предметом исследования является динамика добычи нефти и газа, теория и практика моделирования показателей нефтегазодобычи на различных уровнях агрегирования показателей, являющаяся основой принятия управленческих решений.

Теоретическая и методологическая основа исследования.

Значимые результаты по моделированию динамики добычи нефти и газа зарубежных ученые: K. Deffeyes, R. Dhawan, D. Zweig, B. Jianhai, J. Mitchell, S. Sorrell, R. Bentley, G. Cacciola, L. Zhao, S. Snowden и др. Соискатель учитывал и научные работы по динамике нефтегазодобычи В.А. Бажанова, А.С. Выскребенцева, Ж.Т. Кабылхамитова, Л.Т. Курмангазева, А.М. Мастепанова, А.Х. Мирзаджанзаде, Б.Б. Оразбаева, Г.А. Полякова и др.

Исследование опиралось на принципы эконометрического моделирования и анализа временных рядов, изложенных в работах

8

И.И. Елисеевой, Н.Г. Загоруйко, В.С. Мхитаряна, Л.И. Ниворожкиной, Р.М. Нижегородцева, С.Г. Светунькова, В.К. Семенычева, Е.В. Семенычева, В.И. Тиняковой, Н.П. Тихомирова и др. Учтены и результаты зарубежных ученых: Голдберга, Верхулста, Маккея, Рамсея, Ричардса, Гомпертца, Холланда, Хабберта и др.

В диссертации применялись методы и модели экономики, эконометрики, вычислительной математики, теории вероятностей и математической статистики, искусственного интеллекта, экономико-математического моделирования. Для разработки инструментария использовались пакеты Microsoft Office, Mathcad. Авторская программа «Oil_Ident» разработана в среде MatLab.

Информационную базу исследования составили статистические данные добычи нефти и газа, содержащиеся в электронных интернет-ресурсах, а также в базах данных территориальных органов Федеральной службы государственной статистики 11 регионов России.

Согласно паспорту специальности 08.00.13 «Математические и инструментальные методы экономики» тематика диссертационного исследования соответствует следующим пунктам:

- 1.2 «Теория и методология экономико-математического моделирования, исследование его возможностей и диапазонов применения: теоретические и методологические вопросы отображения социально-экономических процессов и систем в виде математических, информационных и компьютерных моделей»;

- 1.8. «Математическое моделирование экономической конъюнктуры, деловой активности, определение трендов, циклов и тенденций развития».

Вклад автора в проведенное исследование. Автор внес определяющий вклад в постановку задач исследования, разработку теоретических положений, практических рекомендаций и выводов, проводил основные расчеты и настройки алгоритмов. Фамилии соавторов, принимавших участие в отдельных направлениях исследования, указаны в списке основных публикаций по теме диссертации. Все результаты, составляющие научную новизну диссертации и выносимые на защиту, получены автором лично.

К числу основных результатов, полученных лично автором и определяющих научную новизну работы, можно отнести:

П.1 . Произведена адаптация к данным нефтегазодобычи на этапе спада тренда динамики добычи для показателей макро-, мезо- и микроуровней уровней агрегирования показателей путем замены в импульсных моделях (Хабберта, Коши, Гаусса, Хаммонда-Маккея и логнормального

9

распределения) параметра, отвечающего за ширину колокола, кумулятивными логистами Верхулста, Гомпертца с левой асимметрией и с правой асимметрией, Рамсея, оценивания точность каждого из сочетаний в формируемой модели импульсных и кумулятивных логист.

П.2. В развитие известных аддитивной и мультипликативной структур взаимодействия тренда и колебательной компоненты рядов предложены новые структуры рядов: а) с моделью колебательной компоненты, пропорциональной тренду; б) с моделью, в которой есть и колебательная компонента, независящая от тренда, и колебательная компонента, пропорциональная тренду, которая названа «взвешенной по амплитуде» структурой колебательной компоненты; в) «взвешенная по частоте» модель структуры взаимодействия, учитывающая изменение частоты колебательной компоненты. Гармонизация колебательной компонентой с некратными частотами взаимодействия компонент рядов позволила соотнести их периоды с условиями формирования бизнес-циклов Китчина, Жугляра и Кондратьева.

П.3. Повышение точности прогнозного моделирования нефтегазодобычи реализовано моделями адаптации трендов рядов (п.1), моделями взаимодействия трендов и колебательных компонент рядов (п.2), обоснованным выбором генетического алгоритма, оптимизацией его параметров и программных средств, расчетом мер точности и моделирования, и прогнозирования, выполнением полимодельного мониторинга эволюции компонент и рекомендациями по частоте возможного применения моделей на различных уровнях агрегирования показателей добычи. (привести в одну форму глагол или существительное)

Практическая ценность и значимость работы заключается в реализации прогнозного моделирования динамики нефтегазодобычи, что актуально для понимания формирования мировых цен на нефть и газ. Существовавшие подходы к моделированию использовали, как правило, по отдельности геологические, технологические, экономические и институциональные факторы, ограничивались моделированием только трендов траекторий добычи. Предложенный инструментарий анализирует чувствительность, например, политики регулирования отрасли, не требует длинных выборок, позволяет моделировать эволюционирующие ряды и соотнести периоды гармонизирующих гармоник колебательной компоненты с макроэкономическими бизнес-циклами. Результаты подтверждены примерами прогнозного моделирования на различных уровнях агрегирования показателей динамики нефтегазодобычи. Рекомендованы модели, с которых оправдано начать моделирование. Инструментарий допускает возможность применения для прогнозного моделирования и других видов

10

невозобновляемых ресурсов: пример показан для прогнозного моделирования динамики добычи угля. Реальные выборки рассматривались на разных уровнях агрегирования показателей, разных месторождениях нефтегазодобычи, на различных длинах выборок.

Издано методическое пособие для бакалавров и магистрантов направления «Экономика», изучающих курсы «Эконометрика», «Моделирование и прогнозирование», «Системы поддержки принятия решений», а также для слушателей соответствующих разделов курсов повышения квалификации.

Апробация и внедрение результатов исследования. Результаты диссертационной работы обсуждены и одобрены на заседаниях кафедры математических методов и информационных технологий в Муниципальном бюджетном образовательном учреждении высшего образования «Самарская академия государственного и муниципального управления» (МБОУ ВО «САГМУ»), на заседании кафедры «Корпоративных информационных систем, электронных сервисов и интеллектуальных информационных технологий» Самарского государственного экономического университета (ГБОУ ВО СГЭУ), а также докладывались на 8 конференциях: IV Всероссийской научно-практической конференции с международным участием «Математическое моделирование, численные методы и информационные системы» (г. Самара, 2012 год), XIV и XV Научной конференции студентов и аспирантов (г. Самара, 2013, 2014 года), Международной конференции «Формирование основных направлений развития современной статистики и эконометрики» (г. Оренбург, 2013 год), XXXIII Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (г. Пенза, 2014), Международной научно-практической конференции «Современная экономика и управление: подходы, концепции, модели» (г. Саратов, 2014), Четырнадцатая международная научная конференция «Управление экономикой: методы, модели, технологии» (г. Уфа, 2014 год), International Conference on Communications, management, and Information technology (ГССМГГ201З).

По теме диссертации опубликовано 17 научных работ общим объемом 11,4 п.л. (из них авторских 7,8 п.л.), в том числе 6 работ опубликованы в рецензируемых научных журналах ВАК и изданиях общим объемом 5,3 пл., из них авторских 3,7 пл., 3 публикации представлены в изданиях базы Scopus, в том числе одно из них в первом квартиле. Получено одно свидетельство о государственной регистрации программы для ЭВМ, издано

одно методическое пособие для бакалавров и магистрантов экономического направления обучения.

Структура диссертации: диссертационное исследование изложено на 135 страницах, состоит из введения, трех глав, заключения, библиографического списка из 164 наименований, содержит 99 рисунков, 28 таблиц.

Глава 1 Обзор современного состояния рынка нефтегазодобычи и актуальность реализации его прогнозного моделирования

1.1 Жизненный цикл добычи невозобновляемых ресурсов

Жизненный цикл продукта (ЖЦП) характеризует динамику получаемого дохода (спроса) или натуральных единиц от момента вывода продукта на рынок до ухода его с рынка. ЖЦП - важнейший элемент экономики, как отдельно взятой страны, так и мира в целом. Под продуктом понимаем осуществление в единицах реализации (или в размере получаемого дохода, прибыли) или в количестве произведенных или проданных товаров, оказанных услуг. В диссертации рассмотрены в качестве продуктов натуральные объемы добычи нефти и газа.

Различные продукты имеют разный жизненный цикл, продолжительность которого измеряется от нескольких дней до десятков лет. В 1965 г. Т. Левит впервые опубликовал концепцию ЖЦП [8].

Важно понимать суть и характер динамики ЖЦП. Это необходимо для принятия управленческих и инвестиционных решений, а также при планировании деятельности компании. Такой анализ осуществляется для принятия решений по продлению более прибыльных этапов жизненного цикла и включает в себя моделирование траектории и прогноз динамики ее уровней.

Жизненный цикл продукта состоит из различных по длительности и динамике этапов нахождения товара на рынке, каждый из которых требует от предприятия подготовки и реализации соответствующих стратегий и тактики рыночного поведения. Достаточно общим графическим представлением ЖЦП может служить рисунок 1, характеризующий каждый из этапов жизненного цикла в отдельности:

Объем прм н прибыль аж у / ✓ Прибыль Обыч прыл'

— ч Разработка пр&лукта Потери ! 'лптхен! ^ ✓ N * Шпале предам ч Р0С1 Зрелоы ь Враая Спал

Рисунок 1- Жизненный цикл продукта

В зависимости от этапа жизненного цикла продукта, представленного на рисунке 1, изменяются объемы прибыли и затраты предприятия на производство и разработку, становятся иными степень конкуренции и цена товара, поведение покупателей и т.д. [8,31].

Вид кривой ЖЦП может быть различным в зависимости от типа рынка или продукта, специфики принятия управленческих решений [151]. Успех коммерческой деятельности напрямую зависит от того, на каком этапе развития находится продукт.

Основой выработки инновационной стратегии производителя продукта в значительной степени является характер конкретного ЖЦП: возможность моделирования его динамики и, в еще большей мере, возможность его прогнозирования. При этом, естественно, главным будет вопрос точности оценок при огромном многообразии возможных видов кривых ЖЦП.

1.2 Особенности современного рынка невозобновляемых ресурсов

Невозобновляемые природные ресурсы играют огромную роль в экономике любой страны, особенно в Российской Федерации - крупнейшем обладателе и экспортере природных ресурсов. Значение добычи нефти и газа велико во всех отраслях национальной экономики, так как любая отрасль использует его в качестве сырья, топлива, энергии. На Всемирном экономическом форуме (ВЭФ) эксперты сошлись в своих мнениях относительно прогнозов: нефть и газ останутся основными источниками энергии.

Актуальность данной темы заключается в том, что Россия, обладающая крупными нефтяными и газовыми запасами, подвержена риску, потому как экономика России зависит от сырьевого сектора [7,12].

На состояние мирового хозяйства огромное воздействие оказывает конъюнктура международного энергетического рынка. Благодаря росту населения Земли энергетический рынок уверенно развивается, что способствует увеличению масштабов мировой экономики [116].

Важной отличительной особенностью развития глобального энергетического рынка в начале XXI века стал рост цен на нефть, газ и другие основные виды энергоносителей, приобретавший в отдельные периоды скачкообразный характер [128,136].

По оценкам Международного валютного фонда, Международного энергетического агентства и Организации экономического сотрудничества и развития [132,133] текущее удорожание энергоносителей, скорее всего, окажет ограниченное воздействие на состояние глобальной экономики [106,145]. В работе [37] представлен анализ текущих оценок ресурсной базы и факторов развития.

1.2.1 Состояние современного рынка газа

Россия является мировым лидером по доказанным запасам природного газа (рисунок 2). Основные запасы (более 60%) сосредоточены в Западной Сибири [3].

Алжир 1

Нлгермр ■

Венесуэла ■

ОАЭ ■

Саудовская Арааня ■

США

Турнченистан Катар И ран Россия

0 20 -10 60

"3

Рисунок 2- Доказанные запасы газа, трлн м

Однако, если рассматривать запасы сланцевого газа в мире, то в лидерах можно увидеть Северную Америку (рисунок 3).

23,846% Северная Амери

_3,161%

Западная Европа 0,242%

16,301% Австралия

15,140%

Южная Америка

Китай и Центральная Азия

Рисунок 3 - Мировые запасы сланцевого газа

В 2007-2012 гг. США организовали масштабную добычу сланцевого газа, став мировым лидером по добыче данного вида ресурса. Благодаря этому США смогли сократить уровень импорта и существенно снизить уровень внутренних цен на газ. Добыча сланцевого газа в США в предстоящие два десятилетия продолжит устойчиво расти и составит в 2035 г. порядка 300 млрд куб м - более 40% всего прогнозируемого объема производства газа в стране [33,36]. Однако, в работе [26] показано, что сжиженный природный газ, добытый в США, не сможет конкурировать с традиционными видами газа.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Список литературы диссертационного исследования кандидат наук Данилова, Анастасия Александровна, 2018 год

Список литературы

1. Айвазян, С.А. Прикладная статистика. Основы эконометрики / С.А. Айвазян. - М. : ЮНИТИ - ДАНА, 2001. - 432 с.

2. Афанасьев, А.А. Моделирование процессов денежного обращения в хозяйстве с газовой отраслью / А.А. Афанасьев. - М. : ООО «Вега-Инфо». - 2013. - 300 с.

3. Ахмедуев, А.Ш. Теневая экономика: системный ресурс и фактор социально-экономического развития / А.Ш. Ахмедуев // Вопросы экономики. - 2015. - №9. - С. 152.

4. Бажанов, А.В. Адекватность кривых Хабберта для прогнозирования темпов добычи нефти / А.В. Бажанов, А.С. Выскребенцев // Известия высших учебных заведений. Нефть и газ. - 2008. - С. 41-48.

5. Бессонов, В.А. Сезонная корректировка как источник ложных сигналов / В.А. Бессонов, А.В. Петроневич // Экономический журнал Высшей школы экономики. - 2013. - №4. - С. 554-584.

6. Бородич, С.А. Эконометрика / С.А. Бородич. - Минск : Новое знание, 2001. - 408 с.

7. Варшавский, Л.Е. Моделирование динамики цены на нефть при разных режимах развития рынка нефти / Л.Е. Варшавский // Прикладная эконометрика. - 2009. - №1(13). - С. 70-75.

8. Власова, В.М. ОСНОВЫ предпринимательской деятельности (МАРКЕТИНГ) : учебное пособие / В.М. Власова, Д.Л. Волков, С.Н. Кулаков. - М. : Финансы и Статистика, 1999. - 202 с.

9. Гудилов, В.В. Аппаратная реализация генетических алгоритмов / В.В. Гудилов. - М. - 2003.

10. Давлетова, Р.С. Моделирование зависимости состояния нефтедобывающего предприятия от эндогенных и экзогенных факторов / Р.С. Давлетова, Р.В. Файзуллин // Проблемы экономики и управления нефтегазовым комплексом. - 2013. - №3. - С. 33-37.

11. Данилова, А.А. Разработка и исследование программного комплекса для моделирования жизненных циклов продукции (на примере добычи нефти) / Данилова А.А. // Известия Академии управления: теория, стратегии, инновации. - 2012. - №4(11). - С. 51-55.

12. Данилова, А.А. Актуальность анализа рынка нефти и газа/ А.А. Данилова // Научный журнал «Научное обозрение». - 2014. - №5. - С.237-244.

13. Данилова, А.А. Анализ добычи газа / А.А. Данилова // Современная экономика и управление: подходы, концепции, модели: материалы международной научно-практической конференции. - Саратов : ИЦ «Наука». -2014. - С. 170-174.

14. Данилова, А.А. Выбор модели для описания жизненного цикла продуктов с колебательной компонентой / Данилова А.А. // Материалы XIV

научной конференции студентов и аспирантов. - Самара : Изд-во «САГМУ».

- 2013. - С. 62-65.

15. Данилова, А.А. Моделирование и прогнозирование добычи газа/ А.А. Данилова // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XXXIII Международной научно-технической конференции. - Пенза : Приволжский Дом знаний. - 2014. - С. 9 -13.

16. Деловой журнал «Нефтегаз». [Электронный ресурс]. - URL: http://neftegaz.ru/analisis.

17. Дианов, Р.С. Оптимизация технологического процесса разработки нефтеносного пласта с применением генетических алгоритмов и нейронных сетей : дис. ... к-та техн. наук : 05.13.06 / Дианов Роман Сергеевич. - Астрахань, 2004. - 167 с.

18. Дианов, Р.С. Автоматизация процесса определения оптимальных режимов эксплуатации газовых скважин / Р.С. Дианов // Материалы ежегод. науч.-практич. конф. молодых ученых. - Астрахань: АГМА. - 2003. - С. 113115.

19. Дианов, Р.С. Автоматизация процесса оценки эффективности обработки скважин / Р.С. Дианов // Южно-российский вестник геологии, географии и глобальной энергии. - 2003. - №1. - С. 77-78.

20. Елисеева, И.И. Эконометрика / И.И. Елисеева. - М. : Финансы и статистика, 2005. - 575 с.

21. Ергин, Д. Добыча. Всемирная история борьбы за газ, деньги и власть право / Д. Ергин. - М. : ДеНово, 2001. - 888 с.

22. Жилина, И.В. Анализ современного состояния и перспективы освоения ресурсов сланцевого газа в США и Европе / И.В. Жилина // Проблемы экономики и управления нефтегазовым комплексом. -2013. - №5.

- С. 50-53.

23. Загоруйко, Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко. - Новосибирск: ИМ СО РАН, 1999. - 270 с.

24. Зайцев, А.В. Предикторный подход к оценке риска инвестиционного проекта / А.В. Зайцев // Российское предпринимательство.

- 2012. - №8. - С.49-54.

25. Золина, С.А. Прогнозирование добычи трудноизвлекаемой нефти в США / С.А. Золина; под ред. С.В. Жукова. - М. : ИМЭМО РАН, 2014. - 130 с.

26. Золотова, Д.Н. Сценарный план производства сланцевого газа в ЕС до 2035 г. / Д.Н. Золотова // Проблемы экономики и управления нефтегазовым комплексом. - 2013. - №1. - С. 38-40.

27. Ибатуллин, P.P. Исследование возможностей использования средств искусственного интеллекта при выборе вида воздействия на пласт для увеличения нефтеизвлечения / P.P. Ибатуллин , Е.Д. Подымов, А.А. Шутов // Интервал. -2001. - № 9(32). - С. 30-32.

28. Исаев, С. Популярно о генетических алгоритмах. [Электронный ресурс]. - URL: http://algolist.manual.ru/ai/ga/ga1.php.

29. Кадет, В.В. Современные вероятностные подходы при решении задач микро- и макроуровня в нефтегазовой отрасли / В.В. Кадет, Я.И. Хургин -Ижевск : НИЦ «Регулярная и хаотическая динами», Институт компьютерных исследований, 2006. - 240 с.

30. Капица, С.П. Сколько людей жило, живет и будет жить на Земле. Очерк теории роста человечества / С.П. Капица. - М. : Международная программа образования. - 1999. - 240 с.

31. Киреев, В.Г. Исследование рекламы на жизненном цикле товара / В.Г. Киреев. - М. : ФАЗИС, 2001. - № 5. - С. 43-49.

32. Кожухова, В.Н. Предложение модели Гомпертца с правой асимметрией для прогнозирования добычи нефти / В.Н. Кожухова, Е.И. Куркин, В.К. Семенычев // Вестник Самарского муниципального института управления. - Самара : Изд-во СМИУ. - 2013. - №2. - С. 28 - 33.

33. Кондратов, Д.И. Какие факторы воздействуют на динамику газового рынка? / Д.И. Кондратов // Вопросы статистики. - 2013. - №6. -

С. 61-76.

34. Кондратьев, Н.Д. Проблемы экономической динамики / Н.Д. Кондратьев; под ред. Л.И. Абалкина и др. - М. : Экономика, 1989. - С. 58.

35. Костенко, В.А. Принципы построения генетических алгоритмов и их использование для решения задач оптимизации / В.А. Костенко // Дискретные модели в теории управляющих систем: тр. IV международ. конф. - 2000. - С. 49-55.

36. Мазуркин, П.М. Посуточная динамика объема и цены нефти Brent и влияние на потенциал трех факторов / П.М. Мазуркин // Крымский научный вестник. - 2016. -№2(8). - C. 205-224.

37. Мастепанов, А.М. Некоторые особенности оценки ресурсного потенциала нетрадиционных источников газа / А.М. Мастепанов, А.Д. Степанов, С.В. Горевалов, А.М. Белогорьев // Проблемы экономики и управления нефтегазовым комплексом. - 2013. - №4. - С. 43-48.

38. Мирзаджаназде, А.Х. Этюды о моделировании сложных систем газодобычи. Нелинейность, неравновесность, неоднородность / А.Х. Мирзаджаназде, М.М. Хасанов, Р.Н. Бахтизин. - Уфа : Гилем, 1999. - 464 с.

39. Мирзаджанзе, А.Х. Подземная гидродинамика: задачи и возможности / А.Х. Мирзаджанзе, И.М. Аметов, В.М. Ентов, В.М. Рыжик // Нефтяное хозяйство. - 1987. - №12. - С. 30-33.

40. Мирзаджанзе, А.Х. Динамические процессы в газодобыче / А.Х. Мирзаджанзе, А.Х. Шаявердиев. - М. : Наука, 1997. - 255 с.

41. Мюллер, Г. Учет: международная перспектива: Пер. с англ. / Г. Мюллер, Х. Гернон, Г. Миик. — М.: Финансы и статистика,1996. — 136 с.

42. ОАО «Газпром». [Электронный ресурс]. - URL: http://www.gazprom.ru.

43. Оразбаев, Б.Б. Задачи прогноза и идентификации газодобычи, математические методы и алгоритмы их решения / Б.Б. Оразбаев , Л.Т. Курмангазева, Ж.Т. Кабылхамит // Электронная библиотека Атырауского института нефти и газа, www.aing.kz/e-lib. - 2007. - 5 с.

44. Основные тенденции развития глобальных рынков развития нефти и газа до 2025 года, ОАО «ЛУКОЙЛ». [Электронный ресурс]. - URL: http: //www.luko il.ru.

45. Петров, В.В. Долгосрочные перспективы российской нефти (анализ, тренды, сценарии) / В.В. Петров, Г.А. Поляков, Т.В. Полякова, В.М. Сергеев. - М. : ФАЗИС, 2003. - 252 с.

46. Риск - путь к получению экономической выгоды, которая часто сочетается с новыми рисками и вызовами. [Электронный ресурс]. - URL: http://www.ey.com/Publication/vwLUAssets/Coal-seam-gas-RUS/%24FILE/Coal-seam-gas-RUS.pdf.

47. РФ по итогам 2014 г сохранила место в тройке лидеров по добыче нефти. [Электронный ресурс]. - URL: http://ria.ru/economy/20150208/1046584169.html.

48. Рылова, К.М. Моделирование процесса ценообразования на нефтяном рынке. [Электронный ресурс]. - URL: https://www.hse.ru/data/2014/05/23/1324768326/ВКР_Рылова.pdf.

49. Семенычев В.К., Куркин Е.И., Семенычев Е.В., Рязанцев С.В., Данилова А.А. Программа моделирования и прогнозирования уровней добычи нефти и газа «Oü_Ident». Свидетельство о государственной регистрации программ для ЭВМ №2012619424 от 18.10.2012.

50. Семёнычев, В.К. ARMA-моделирование уровня годовой добычи нефти из пласта и оценка геологического риска инвестиций в нефтегазодобывающей промышленности / В.К. Семёнычев, Е.И. Куркин // Вестник Самарского муниципального института управления. - 2010. -№2(13). - С.7-15.

51. Семёнычев, В.К. Анализ и предложения моделей экономической динамики с кумулятивным логистическим трендом: монография / В.К. Семёнычев, В.Н. Кожухова - 2013. - 152 с.

52. Семёнычев, В.К. Атлас параметрического формирования дифференциальных логистических кривых жизненного цикла продукта/ В.К. Семёнычев, Е.В. Семёнычев, А.А. Данилова // Известия Академии управления: теория, стртегии, инновации. - 2012. - №2(9). - С. 3-14.

53. Семёнычев, В.К. Выбор параметров генетических алгоритмов в задачах параметрической идентификации нелинейных моделей динамики / Е.В. Семёнычев, Е.И. Куркин, А.А. Данилова // Вестник Самарского муниципального института управления. - 2013. - №1(24). - С. 130-141.

54. Семёнычев, В.К. Идентификация модели жизненного цикла продукта с использованием метода генетических алгоритмов (на примере добычи нефти) / В.К. Семенычев, Е.В. Семенычев, Е.И. Куркин, А.А.

Данилова // Материалы конференций. Самара : Изд-во «САГМУ», 2012. -С. 79-81.

55. Семёнычев, В.К. Идентификация модели жизненного цикла продукта с колебательной компонентой (на примере добычи нефти) / В.К. Семёнычев, Е.В. Семёнычев, Е.И. Куркин, А.А. Данилова // Вестник Самарского муниципального института управления. - 2012. - №3(22). -С. 99-105.

56. Семёнычев, В.К. Инструментарий многокомпонентного анализа добычи газа/ В.К. Семенычев, Е.И. Куркин, А.А. Данилова // Управление экономикой: методы, модели, технологии: четырнадцатая международная научная конференция: сборник научных трудов. Том 2/ Уфимск. гос. авиац. техн. ун-т. - Уфа : УГАТУ. - 2014. - 243 с.

57. Семёнычев, В.К. Инструментарий моделирования колебательной компоненты в колоколообразных кривых жизненного цикла продукта/ В.К. Семенычев, Е.В. Семенычев, Е.И. Куркин, А.А. Данилова // Прикладная эконометрика. - 2014. - №1(33). - С.111-123.

58. Семёнычев, В.К. Информационные системы в экономике. Эконометрическое моделирование инноваций. Часть 1: учеб. Пособие / В.К. Семёнычев, Е.В. Семёнычев. - Самара : Изд-во Самар. гос. аэрокосм. ун-та, 2006. - 217 с.

59. Семенычев, В.К. Метод параметрической итерационной декомпозиции тренд-сезонных рядов аддитивной структуры / В.К. Семёнычев, А.А. Коробецкая, Е.В. Семенычев // Вестник Самарского муниципального института управления. - 2010. - №1(12). - С. 63-72.

60. Семенычев, В.К. Модели жизненного цикла предприятия и их идентификация на основе моделей авторегрессии-скользящего среднего и базисов Грёбнера / В.К. Семенычев, Е.И. Куркин, Е.В. Семенычев // Прикладная эконометрика. - 2012. - №1(25). - С. 122-137.

61. Семенычев, В.К. Моделирование и прогнозирование кривых жизненного цикла невозобновляемых ресурсов/ В.К. Семенычев, Е.И. Куркин, А.А. Данилова // Материалы 1 -ой международной конференции «Формирование основных направлений развития современной статистики и эконометрики». Том III. - Оренбург: ООО «Университет», 2013. - С. 118-127.

62. Семёнычев, В.К. Параметрическая идентификация рядов динамики: структуры, модели, эволюция: монография / В.К. Семёнычев, Е.В. Семёнычев. - Самара : СамНЦ РАН, 2011. - 364 с.

63. Семёнычев, В.К. Идентификация мультитрендовой эволюционирующей модели с мультипликативной линейно-экспоненциальной структурой / В.К. Семёнычев, А.А. Коробецкая // Вестник Самарского муниципального института управления. - 2014. - № 1(28). - С.7-14.

64. Семёнычев, В.К. Исследование точности метода моделирования и прогнозирования экспоненциальной тенденции на основе обобщенных параметрических АКМА-моделей / В.К. Семёнычев, В.В. Семёнычев,

А.А. Коробецкая // Вестник Самарского муниципального института управления. - 2010. - №1(12). - С.34-46.

65. Семенычев, В.К. Сравнение точности идентификации моделей жизненного цикла продукта экспоненциальными полиномами при ARMA-моделировании и генетическом алгоритме оптимизации / В.К. Семенычев, Е.И. Куркин, Е.В. Семенычев // Вестник Самарского муниципального института управления. - 2011. - № 4(19). - С.49-55.

66. Семенычев, В.К. Методическое пособие - Анализ жизненного цикла продукта колоколообразной формы / В.К. Семенычев, Е.И. Куркин, А.А. Данилова. - Самара : САГМУ, 2014. - 23 с.

67. Семенычев, Е. В. Выбор модели колоколообразной формы для жизненного цикла добычи газа и газа / Е. В. Семенычев, Е. И. Куркин, П. А. Молостова // Проблемы экономики и управления нефтегазовым комплексом. - 2012. - №8. - С. 28-34.

68. Семенычев, Е. В. Жизненный цикл экономических объектов: методология и инструментарий параметрического моделирования: монография / Е. В. Семенычев. — Самара: СамНЦ РАН, 2015. — 388 с.

69. Сенин A. Прогнозирование на основе жизненного цикла товара. [Электронный ресурс]. - URL: http://www.basegroup.ru/solutions/case/product life cycle forecast.

70. Синюк, В.Г. Генетический алгоритм с оценкой временных рядов. [Электронный ресурс]. - URL: http://www.raai.org/resurs/papers/kolomna2009/doklad/Sinyuk_Akopov.doc.

71. Спицын, В.Г. Генетический алгоритм / В.Г. Спицын, Ю.Р. Цой. -Представление знаний в информационных системах: учебное пособие. -Томск: Изд-во ТПУ, 2006. - 146 с.

72. Сулейманов, А.А. Оценка извлекаемых объемов углеводородов с учетом переходных процессов / А.А. Сулейманов, М.Р. Мамедзе // Нефтегазовое дело. - 2009. - №2. - С. 28-31.

73. Тарасюк, В.М. Проблемы бизнес-прогнозирования добычи нефти на поздней стадии разработки месторождений и инструменты их решения : дис. ... д-ра экон. наук : 08.00.05 / Тарасюк Василий Михайлович. - Москва, 2007. - 167 с.

74. Территориальный орган Федеральной службы государственной статистики по Астраханской области. [Электронный ресурс]. - URL: http://astrastat.gks.ru.

75. Территориальный орган Федеральной службы государственной статистики по Республике Башкортостан. [Электронный ресурс]. - URL: http://bashstat. gks.ru.

76. Территориальный орган Федеральной службы государственной статистики по Волгоградской области. [Электронный ресурс]. - URL: http://volgastat.gks.ru.

77. Территориальный орган Федеральной службы государственной статистики по Республике Дагестан. [Электронный ресурс]. - URL: http://dagstat.gks.ru.

78. Территориальный орган Федеральной службы государственной статистики по Краснодарскому краю. [Электронный ресурс]. - URL: http://krsdstat. gks.ru.

79. Территориальный орган Федеральной службы государственной статистики по Оренбургской области. [Электронный ресурс]. - URL: http://orenstat.gks.ru.

80. Территориальный орган Федеральной службы государственной статистики по Республике Саха (Якутия). [Электронный ресурс]. - URL: http: //sakha.gks .ru.

81. Территориальный орган Федеральной службы государственной статистики по Самарской области. [Электронный ресурс]. - URL: http://samarastat.gks.ru.

82. Территориальный орган Федеральной службы государственной статистики по Ставропольскому краю. [Электронный ресурс]. - URL: http://stavstat. gks.ru.

83. Территориальный орган Федеральной службы государственной статистики по Тюменской области. [Электронный ресурс]. - URL: http://tumstat.gks.ru.

84. Территориальный орган Федеральной службы государственной статистики по Ханты-Мансийскому автономному округу. [Электронный ресурс]. - URL: http://khmstat. gks.ru.

85. Трахтенгерц, Э.А. Компьютерные методы поддержки принятия управленческих решений в нефтегазовой промышленности / Э.А. Трахтенгерц, Ю.П. Степин, А.Ф. Андреев. - М. : СИНТЕГ, 2005. - 592 с.

86. Трофимчук, Т.С. Моделирование объемов добычи нефти в зависимости от основных показателей работы нефтяных компаний / Т.С. Трофимчук, А.С. Трофимчук // Проблемы экономики и управления нефтегазовым комплексом. - 2013. - №6. - С. 37-40.

87. Трофимчук, Т.С. Моделирование тенденций добычи нефти, цен и их взаимосвязей с факторами / Т.С Трофимчук // Проблемы экономики и управления нефтегазовым комплексом. - 2013. - №2. - С. 45-49.

88. Трофимчук, Т.С. Прогнозирование добычи и цен на нефть / Т.С Трофимчук, А.С. Трофимчук // Проблемы экономики и управления нефтегазовым комплексом. - 2013. - №3. - С. 44-48.

89. Хасанов, М.М. Оценка извлекаемых запасов газа на основе феноменологических моделей / М.М. Хасанов, Н.А. Карачурин, Е.А. Тяжев // Вестник инжинирингового центра ЮКОС. - 2001. - №2. - С. 3-7.

90. Хусаинов, А.Т. Оперативное прогнозирование показателей добычи нефти методом нейросетевого моделирования : дис. ... к-та техн. наук : 25.00.17 / Хусаинов Артем Тахирович. - ТюмГНГУ, 2013. - 127 с.

91. Шитиков, В.К. Рандомизация и бутстреп: статистический анализ в биологии и экологии с использованием R / Шитиков В.К. Розенберг Г.С. -Тольятти. Кассандра. - 2013. - 305 с.

92. Ярушкина, Н.Г. Основы теории нечетких и гибридных систем: учебное пособие / Н.Г. Ярушкина. - М. : Финансы и статистика, 2004. - 365 с.

93. Al-Fattah, S.M. Analysis of Worldwide Natural Gas Production / S.M. Al-Fattah, R.A. Startzman. - SPE 57463. - 1999. - 14 p.

94. Back, T. The interaction of mutation rate, selection, and self-adaptation within genetic algorithm / T. Back // Parallel problem solving from nature 2. - Elsevier Science Publishers, Amsterdam. - 1992. - pp. 263-271.

95. Baker, J.E. An analysis of the effects of selection in genetic algorithms / J.E. Baker // Doctoral dissertation, University of Vanderbilt. - 1985. -pp. 101-111.

96. Bartlett, A. A. An analysis of US and world oil production patterns using Hubbert-style curves / A. A. Bartlett // Mathematical Geology. - 2000. -Vol. 32(1). - pp. 1-17.

97. Bazhanov, A. The adequacy of Hubbert's curves for the forecasting of the rates of oil extraction / A. Bazhanov, A. Vyscrebentsev // Far Eastern National University18. - 2005.

98. Berndstrup, B. Seasonality in economic models / B. Berndstrup, S. Hylleberg. [Электронный ресурс]. - URL: http://mit.econ.au.dk/vip htm/monielsen/papers/seasonality.pdf.

99. Brandt, A. R. Methods of forecasting future oil supply / A.R. Brandt // UKERC Review of Evidence for Global Oil Depletion. Techn. Rep. - 2009. -Vol. 6 - 97 p.

100. Brandt, A. R. Testing Hubbert/ A. R. Brandt // Energy Policy. -2007. - Vol. 35(5). - pp. 3074-3088.

101. Cavallo, A. J. Predicting the peak in world oil production / A. J. Cavallo // Natur Resour Res. - 2002. - Vol. 11(3). - 187 p.

102. Chen, Y.Q. Derivation and Application of Generalized Weng's Model / Y.Q. Chen // Natural Gas Industry. - 1996. - Vol.16(2). - pp. 22-26.

103. Chen, Y.Q. The Foundation and Application of Long-Normal-Distribution Predicting Model / Y.Q. Chen, Z.X. Yuan // Acta Petrolei Sinica. -1997. - Vol. 18(2). - pp. 84-88.

104. Deffeyes, K.S. Hubbert's Peak / K.S. Deffeyes // Princeton Univ. Press, 2001. - 208p.

105. Deffeyes, K.S. When Oil Peaked / K.S. Deffeyes // New York: Hill and Wang, 2010. - 176 p.

106. Dhawan, R. Energy Price Shocks and the Macroeconomy: The Role of Consumer Durables / R. Dhawan, K. Jeske // Journal of Money, Credit and Banking. - 2008. - Vol. 40. № 7. - pp. 1357-1377.

107. Feng, L. Possible Trends of Chinese Oil Supply Through 2030 / L. Feng, Ya. Hu, A. Charles, S. Hall, J. Wang // The Chinese Oil Industry Springer Briefs in Energy. - 2013. - pp. 47-69.

108. Feng, Y. Construction and application of a multicyclic model in the prediction of natural gas production / Y. Feng, J. Wang, L. Zhao // Natural Gas Industry. - 2010. - Vol. 30(7). - pp. 114-116.

109. Goldberg D.E. Genetic algorithms in search optimization and machine learning / D.E. Goldberg // Addison-Wesley, 1989. - 432 p.

110. Goldberg, D.E. Practical Schema Theorem for Genetic Algorithm Design and Tuning / D.E. Goldberg, K.A. Sastry // Illinois Genetic Algorithms Laboratory, 2001. - 356 p.

111. Gompertz, B. On the nature of the function expressive of the law of human mortality and on the new mode of determining the value of life contingencies/ B. Gompertz // Phil. Trans. Royal Soc. - 1824. - Vol.115. - pp. 513-580.

112. Gorlov, I.P. Heredity / I.P. Gorlov, T. Yu. Ladygina, O.L. Serov, P.M. Borodin // 1991. - Vol.66. - pp.453-458.

113. Hammond, G.P. Projections of UK oil and gas supply and demand to 2010 / G.P. Hammond, R.M. Mackay // Applied Energy. - 1993. - Volume 44, Issue 2. - pp. 93-112.

114. Herrera, F. Adaptation of genetic algorithm parameters based on fuzzy logic controllers / F. Herrera, M. Lozano // Genetic Algorithms and Soft Computing. - Physica-Verlag, Heidelberg. - 1996. - pp. 95-124.

115. Herrera, F. Tackling Real-Coded Genetic Algorithms: Operators and Tools for Behavioural Analysis / F. Herrera, M. Lozano, J. Verdegay // Artifcial Intelligence Review. - 1998. - Vol.12, №4.

116. Holden, J. Population and the Energy Problem / J. Holden // Population and Environment. - 1991. -Vol.12.№3. - pp. 231-255.

117. Holland, J. H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence / J. H. Holland. — London: Bradford book edition, 1994 - 211 p.

118. Hubbert , M. K. Techniques of prediction as applied to the production of oil and gas / M.K. Hubbert // In: Symposium on oil and gas supply modeling. Washington, D.C.: Department of Commerce, National Bureau of Standards. -1980.

119. Hubbert, M.K. Nuclear Energy and the Fossil Fuels / M.K. Hubbert // Amer. Petrol. Inst. Drilling & Production Practice. Proc. Spring Meeting, San Antonio, Texas. - 1956. - pp.7 - 25.

120. Laherrere, J.H. Learn strengths, weaknesses to understand Hubbert curve / J.H. Laherrere // Oil & Gas J. - 2000. - Vol.98(16). - pp. 63-73.

121. Liceaga-Correa, M.A. Estimating Richards Function Parameters by Marquardts Algorithm / M.A. Liceaga-Correa, L. Del Riego // Proceedings of the Forty-Fifth Annual Gulf and Caribbean Fisheries Institute , Charleston, South Carolina. USA. - 1999. - pp. 459-467.

122. Mackay, R.M. Skewed-normal production-profile model and reverse-projection technique for resource and supply predictions / R.M. Mackay, S.D. Probert // Applied Energy. - 1994. - Vol. 49, Issue 4. - pp. 343-367.

123. Maggio, G. A variant of the Hubbert curve for world oil production forecasts / G. Maggio, G. Cacciola // Energy Policy. - 2009. - Vol. 37. - pp. 47614770.

124. Maggio, G. When will oil, natural gas, and coal peak? / G. Maggio, G. Cacciola // Fuel. - 2012. - Vol. 98. - pp. 111-123.

125. Mahfoud, S.W. Niching methods for genetic algorithms / S.W. Mahfoud // IlliGAL Report. - 1995. - №95001.

126. Malanichev, A.G. Analysis of Saudi Arabia strategy / A.G. Malanichev // The 9th Annual Conference "Contemporary Problems in Management: Exploring the Boundaries". - HSE. - 2016.

127. MATLAB Component Runtime (MCR). [Электронный ресурс]. -URL: http: //www. mathworks. com/products/compiler/mcr/

128. Mitchell, J. The New Economy of Oil / J. Mitchell // - London: Royal Institute of International Affairs, 2001. - р. 150.

129. Mitchell, M. An Introduction to Genetic Algorithms / M. Mitchell // Cambridge, MA: The MIT Press, 1996.

130. Muhlenbein, H. The Equation for Response to Selection and its Use for Prediction / H. Muhlenbein // Evolutionary Computation. - 1998. - pp.303346.

131. Noth Dacota Industrial Comission. [Электронный ресурс]. - URL: https://www.dmr.nd.gov/oilgas/

132. OECD Economic Outlook, 2011. [Электронный ресурс]. - URL: http://www.oecd.org/dev/africaneconomicoutlook2011 .htm.

133. OECD Economic Outlook, 2012. [Электронный ресурс]. - URL: http://www.oecd.org/dev/48965859.pdf.

134. Pollock, D. Lectures in time-series analysis and forecasting, Queen Mary and Westfield College, The University of London. [Электронный ресурс]. -URL: http://www.le.ac.uk/users/dsgp1/courses/tseries/2cycles.pdf.

135. Railroad commission of Texas [Электронный ресурс]. - URL: http: //webapps2 .rrc. state.tx.us/.

136. Rakshit, M. Oil Price Shock: Some Analytical and Policy Perspectives / M. Rakshit // Economic and Political Weekly. - 2005. - Vol.40, №42. - pp. 494496.

137. Ramsay, J.O. A Comparative Study of Several Robust Estimates of Slope, Intercept and Scale in Linear Regression / J.O. Ramsay //Journal of the American Statistical Association. - 1977. - Vol. 72, №. 359. - pp. 608-615.

138. Richards, F.J. A flexible glrowth function for emprical use / F.J. Richards // Journal of Empirical Botany. - 1959. - Vol.10. - pp. 290-300.

139. Roncaglia, A. Energy and Market Power: An Alternative Approach to the Economics of Oil / A. Roncaglia // Journal of Post Keynesian Economics. -2003. - Vol. 25. №4. - pp. 641-659.

140. Semenichev, V.K. Non-renewable Recourses Life Cycles Modeling Aspects / V.K. Semenichev, E.I. Kurkin, E.V. Semenichev, A.A. Danilova, G.A. Fisun, E.I. Kasatkina // International Conference on Communications,

management, and Information technology (ICCMIT'2015). - 2015. - Vol. 65. - pp. 872-879. doi:10.1016/j.procs.2015.09.046

141. Semenychev, V.K. Modelling and forecasting the trends of life cycle curves in the production of non-renewable resources / V.K. Semenychev, E.I. Kurkin, E.V. Semenychev // Energy. - 2014. - Vol. 75. - pp. 244-251.

142. Sorrell, S. An assessment of the evidence for a near-term peak in global oil production / S. Sorrell, J. Speirs, R. Bentley, A. Brandt, R. Miller // Technology and Policy Assessment function of the UK Energy Research Centre, 2009. - 228p.

143. Sorrell, S. Legacy: A Review of Curve-Fitting Methods to Estimate Ultimately Recoverable Resources / S. Sorrell, J. Speirs, M. Hubbert //Natural Resources Research. - 2010. - Vol. 19, №. 3. - pp.209-230.

144. Spears, W.M. Adapting crossover in a genetic algorithm. [Электронный ресурс]. - URL: http://www.academia.edu/490982/Adapting_crossover_in_a_genetic_algorithm.

145. Tensions from the Two-Speed Recovery: Unemployment, Commodities, and Capital Flows. [Электронный ресурс]. - URL: http://businessforecast.by/partners/publication/406.

146. Texas Oil Production Increasing. [Электронный ресурс]. - URL: http://www.upi.com/Business_News/Energy-Resources/2015/03/31/Texas-oil-production-increasing/8461427805372.

147. U.S Energy Information Administration. International Energy Statistics. Annual Energy Outlook, 2012. [Электронный ресурс]. - URL: http: //www.eia. gov.

148. URL: http://portal.tpu.ru.

149. URL: http://www.epochtimes.ru/content/view/57489/83/.

150. URL: https://ru.wikipedia.org.

151. URL: http://www.grandars.ru/student/marketing/zhiznennyy-cikl-tovara.html.

152. URL: http: //www.qai .narod.ru/.

153. URL: http: //www.radweb.ru/content/teoria/teoria8 .html.

154. Ursu, E. Periodic autoregressive model identification using genetic algorithms / E. Ursu, K. Turkman // Journal of Time Series Analysis. - 2012. -Vol. 33, is. 3. - pp. 398-405.

155. Vasko, T. Life Cycles and Long Waves / T. Vasko, R. Aytes // Springer. -1990. - 328 p.

156. Verhulst, P. Notice sur la loi que la population poursuit dans son accroissement / P. Verhulst // Correspondance mathématique et physique. 1838. -Vol.10. - pp. 113-121.

157. Wang, J. A comparison of two typical multicyclic models used to forecast the world's conventional oil production / J. Wang, L. Feng, L. Zhao, S. Snowden, X. Wang // Energy Policy. - 2011. - Vol. 39. - pp. 616-621.

158. Wang, J. China's natural gas: Resources, production and its impacts / J. Wang, L. Feng, L. Zhao, S. Snowden // Energy Policy. - 2013. - Vol. 55. - pp. 690-698.

159. Womack, B. China between Region and World / B. Womack // The China Journal. - 2009. - №61. - pp. 1-20.

160. World Energy Outlook, 2011. [Электронный ресурс]. - URL: http://www.iea.org/publications/freepublications/publication/WE02011_WEB.pdf

161. Yang, S. Adaptive crossover in genetic algorithms using statistic mechanism. / S. Yang // Artificial Life VIII, Standish, Abbass, Bedau (eds) (MIT Press), 2002. - pp. 182-185.

162. Yetiv, S. China. Global Energy, and the Middle East / S. Yetiv, Ch. Lu // Middle East Journal. - 2007. - Vol.61 №2. - pp. 199-218.

163. Zhu, L. Oil production forecasts and their uncertainty analyses / L. Zhu, L. Wang // Bulletin of Canadian petroleum geology. - 2012. - Vol.60, №3. -pp. 158-165.

164. Zweig, D. Jianhai B. China's Global Hunt for Energi / D. Zweig // Foreign Affairs. - 2005. - Vol.84. №5. - pp. 25-38.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.