Развитие методического инструментария прогнозирования рыночных цен на газовый конденсат при формировании сбытовой политики нефтегазодобывающих компаний

Салько М.Г., Якунина О.Г. Развитие методического инструментария прогнозирования рыночных цен на газовый конденсат при формировании сбытовой политики нефтегазодобывающих компаний // Вестник Бурятского государственного университета. Экономика и менеджмент. 2025. № 2. С. 134–142.

Природный газ — о дин из видов востребованных энергоресурсов в о все м ми ре . Вм е с т е с т ем, экологическая политика большинства стран на пра вле н а н а с н иж е ни е п от ребле н ия т о п ли вны х ре сурс ов¹. В этой связи ведется поиск высоко т е хн олог и чны х прои з в одс т в как в об ла с ти использования альтернативных ис т очн и к о в эн е р г ии , так и инновационных экологичных технологий п о испол ьзо в а н ию т ради ц и он ны х т оп лив н ых рес урсов . Стабилизированный газовый конден с а т в т а ки х у слов и я х и грает ключевую роль как промежуточный про д у к т, сп особствую щи й сн и ж е ни ю у глерод н ого сле д а .

Росс и я об л а дае т о громными запасами природного газа, также в н у ш ительны пок а зат ели з апас ов г а зового конденсата. Такая динамика производ с тв а и с о зд а ни я зап а с ов с т аби ли зи р ованного газового конденсата связана с рост ом с п ро с а на него. В 2023 г. такая д инамика на газовый конденсат внутри стран ы сос тав и ла приме рно 24 % с 22,4 до 27,7 млн т и была вызвана увеличением спр оса с о с тор о ны н ефтеп ерера б а ты ва ю щи х за вод ов ².

Рис. 1. Д ина м ика д об ы чи не с таб иль ного газо в о го ко нд енса т а по регионам России³

Росс и йск ий эк с порт неочищенного газового конденсата сопряжен с т ру д но с т я ми , к ас ающ и м ися как транспортировки, так и реализации. Ключевы ми потре би телями рос с ий ского газоконденсата на мировом рынке выступают кру пн ы е неф теп е рера б а т ы ва ю щие комплексы, использующие его в качестве компонента для смешивания.

Десятилетие назад основной поток российского экспорта был направлен на рынки Атлантического бассейна, особенно на НПЗ в США, где он служил разба- вителем для тяжелой латиноамериканской нефти. Значительными импортерами также были европейские страны с развитой нефтепереработкой, такие как Италия и Нидерланды.

Однако из-за развития сланцевых технологий, увеличения добычи нефти и жидких фракций природного газа в Северной Америке, санкций против венесуэльской нефти и стагнации спроса на нефть в Европе ситуация изменилась. Это привело к переориентации российского экспорта конденсата в Азию. Иран, основной поставщик газоконденсата в регионе, также находится под санкциями США, что обостряет конкуренцию за альтернативные источники поставок. Важно отметить, что на азиатском рынке конденсат чаще применяется в качестве сырья для нефтехимического производства после предварительной переработки во фракциях на установках, цена является важнейшим фактором конкурентоспособности на рынке энергоресурсов.

В этой связи все более актуальным становится вопрос прогнозирования рыночных цен, учитывающих влияние факторов неопределенности поставок газового конденсата на внутренний и внешний рынки.

Для достижения целей определения перспектив развития рынков сбыта газового конденсата в условиях колебания рыночных цен целесообразно применять оптимизационные модели. Такой методический подход направлен на установление взаимосвязей между различными факторами, определяющими направления сбытовой политики, и в конечном итоге на стратегические планы оптимизации инфраструктурных объектов нефегазодобывающих компаний. В то же время для оценки конкретных решений, касающихся отдельных элементов: разработки месторождений, наращивания объемов добычи, планирования транспортных потоков и ценообразования, на наш взгляд, более эффективным инструментом являются имитационные модели [1].

Моделирование на основе оптимизации предполагает создание модели для поиска такой комбинации параметров, которая обеспечивает достижение наилучшего, то есть оптимального значения целевой функции.

Оптимизационные модели являются инструментом поддержки принятия стратегических решений, ориентированных на долгосрочное и среднесрочное планирование. В ряде ситуаций они могут применяться и для краткосрочного (тактического) планирования. Эта возможность определяется, прежде всего, набором входных данных и способностью оперативно воздействовать на переменные модели.

Имитационное моделирование стремится к наиболее достоверному воспроизведению действительности, в данном контексте — бизнес-процессов сбытовой политики, избегая значительных упрощений. В отличие от аналитических подходов этот метод не подразумевает создания комплексной математической модели. Вместо этого имитационная модель состоит из множества индивидуальных правил, где их большее количество обеспечивает более высокую точность. Это принципиальное различие между моделями имитации и оптимизации, где все правила образуют единую математическую конструкцию, предназначенную для поиска оптимального решения [1].

Авторами предлагается использовать метод проектирования экспериментов. Рекомендуемый метод подразумевает разработку серий экспериментов для пла- номерного изменения параметров в модели прогнозирования цены сбыта газового конденсата на рынке. Изучая результаты каждого эксперимента, возможно выявить области, требующие улучшений для оптимизации процессов и минимизации рисков.

Современные программные средства позволяют проводить эксперименты в модели цепи сбытовых поставок, варьируя различные параметры, такие как цена, скорость, риски, чтобы определить оптимальные компромиссы для улучшения ключевых показателей. В отличие от классического моделирования, которое занимается созданием самой модели, эксперименты дают возможность использовать ее для проверки гипотез и поиска наилучших решений.

Предложено использовать модель прогнозирования рыночных цен газового конденсата согласно теории выбора цепочки поставки Маркова. Цепь Маркова — череда событий, в которой каждое последующее событие зависит от пре-дыдущего1. Рекомендовано использовать данную модель для стратегического планирования ценообразования и выбора рынков сбыта газового конденсата в учетом влияния спроса, наличия запасов, изменения политики поведения основных покупателей и других

Чтобы применить предложенную модель, необходимо изучить временной ряд цены газового конденсата (x t ) для периодов времени t=1,…,T. Причем t может измеряться от одного дня до нескольких лет. Для учета сезонности спроса авторами принято проводить измерение в месяцах.

Уравнение модели устанавливает взаимосвязь между фактическим значением x t , выбранного из представленного ряда в период времени t, с его тремя составляющими: тренд y t , сезонные колебания s t , остаточный член ε t :

x_t=y_t + s_t + ^ t ,                         (1)

где y_t — тренд, отражающий эволютарные изменения установленного временного ряда исходного параметра x_t .

Формула тренда имеет вид:

y t ^E^ i a t t¹ ,                            (2)

где п — заданный параметр степени полинома при описании тренда для анализа большого набора данных нестабильной величины сезонных колебаний;

st — сезонные колебания за определенный период времени t с учетом влияния весовых коэффициентов tt:

St^o^t)^,                  (3)

где m — заданная степень полинома в описании тренда сезонных колебаний с учетом т < п.

В Е С ТНИК Б УРЯТС КОГО Г ОС УДА РСТ В ЕНН ОГО У НИВ Е РСИТ ЕТА .

Фу нкц и я сезон н ы х кол еба ни й s₀(t) характеризует среднее значение при условии S j (t), i> 0 и оп ис ывает динамику формы и величины сезонных к о ле б ани й . Пе ри од к оле ба н ия д а н н ых функций соответствует одному году. Их п ре дстав ле ни е ос у щ е с т вля ет ся п о с р ед ст вом ра зл ожени я в ря д Фу рь е [2]:

s i (t) ^fta ii cos^+X^-'ll t/ sin^,        (4)

где K — чи с ло за ме ров врем ен н ого ря да x_t за год (где K=12, при ежемесячной ре гист р ац ии д анны х ). Для вычисления значений параметров моде ли a i , α ij , β ij приме ня ет с я ме т од наиме ньши х ква д рат ов:

H=i b_ts_t² ^ min,

где b_t — это н а б о р по л ожительных чисел, отражающих относительн ую точно с т ь и нф о р м а ции, по лу ч е нн о й в р а зные вр е ме н н ые периоды. В простейшем случае вс е м пе рио да м м о же т быть присвоен одинаковый вес, например, равн ый е д и н и це .

Пре д ст авле нная моде ль п ри годн а н е тол ьк о д л я а н ализа ретроспективных данн ы х, н о и для про гн озирования будущих значений. После опреде л е ни я п а раметров модели a_i, α_i j , β_i j , применение формул с t, превышающими T, позволит по л у ч и т ь п рогн оз т рен д а, сезонных колебаний спроса на газовый кон д енс а т и , с оответстве н н о , цен ( ка к суммы этих двух компонент) в момент времени t.

На ри с унк е 2 п редст авлена динамика средних цен на сырую неф ть и га зов ы й конденсат по годам.

S/6app

Сырая нефть                               ^™ Стабильный конденсат

Рис . 2. Динамика изменения средних цен н а ста биль ный газ око нде нса т и сы ру ю не ф т ь

Можно отметить, что наблюдается корелляционная зависимость ме ж д у цена ми на с ыру ю н е ф т ь и г азовый конденсат. Газовый конденсат зачасту ю явл я е тс я поб очн ы м п род у к том бурения скважин на сырую нефть. Корреляци я меж ду це нами н а э ти т овары ог ра ни че на. Ры нк и для к а ждо г о т ова ра су щественно отлича ются и п одвержены различным фундаментальным силам. Изменени я в ди н ами ке цен н а г азов ый к о н де нс ат не всегда пропорциональны изменениям ц е н н а не ф ть, о че м с в и д е т е ль ст ву ют да нн ы е за 20 1 4 г . [3].

Для изучения сезонных колебаний цен рассмотрим график изменения цен за 2024 г. по месяцам (рис. 3):

27000,00

26000,00

25000,00

24000,00

23000,00

22000,00

21000,00

20000,00

19000,00

18000,00

17000,00

16000,00

15000,00

цена, руб/т           Полиномиальная (цена, руб/т)

Рис . 3. Динамика среднемесячных цен за 2024г. на газовый конденсат и полиномальный тренд с сезонными колебаниями выделенных по рекомендуемой модели

Наблюдается общий рост цен за 2024 г. с учетом колебания цен по месяцам. Причем колебания в отдельные месячные периоды не имеют повторений. К концу года колеблемость графика уменьшилась. Линия тренда показывает о возможном снижении цены на будущий период. При этом за 2024 г. наибольший рост цен наблюдается с января по февраль. График отклонения цен представлен на рисунке 4.

6000,00

5500,00

5000,00

4500,00

4000,00

3500,00

3000,00

2500,00

2000,00

1500,00

1000,00

500,00

0,00

-500,00

-1000,00

-1500,00

-2000,00

-2500,00

цена, руб/т

Полиномиальная (цена, руб/т)

Рис. 4. Сезонные колебания среднемесячных цен на газовый конденсат за 2024 г.

Амплитуда изменения цен неравномерная. В зимние периоды времени увеличение спроса на конечные нефтепродукты приводит росту спроса на сырье в виде газового конденсата. В конечном итоге такая динамика отражается на росте цен. Остаточные значения колебания цен можно рассматривать как случайное влияние на динамику в течение месяца. Данный график подтверждает, что на динамику цен влияет ряд других факторов. Среди важнейших факторов, влияющих на спрос и предложение газового конденсата, можно выделить конъюнктуру внутреннего и внешнего рынка газового конденсата; логистические особенности транспортировки на рынки, в том числе АТР; инвестиционные возможности недропользователей с учетом налоговой нагрузки; внутреннюю государственную политику в области недропользования, а также внешнеполитические связи.

В связи с этим проведена оценка частотных распределений средних цен с учетом влияния факторов неопределенности, которые сложно прогнозировать и выявлять количественную оценку их влияния. На рисунке 5 показаны частотные распределения для 12 остаточных значений, сгруппированных по пяти выбранным интервалам.

■ число значений, попавших в заданный интервал

0,06

0,15      0,452     0,32      0,09

Рис. 5. Распределение частоты значений остаточного члена средних цен под влиянием факторов неопределенности

Эта гистограмма (рис. 5) полезна при выборе закона распределения случайных ценовых отклонений для целей прогнозирования. Значения гистограммы подтверждают высокую вероятность отклонения среднерыночных цен на газовый конденсат, причем прогнозируется повышение цен. Вместе с тем данный аспект требует отдельного и более детального изучения.

Моделирование и имитация открывают многообещающие перспективы, предлагая замену обычным способам прогнозирования показателей. Они позволяют создавать виртуальные пространства, воспроизводящие реальные условия функционирования программного обеспечения с разнообразными сценариями и пере-менными1. Тем не менее обычные подходы к моделированию и имитации часто сопряжены со значительными затратами на создание и адаптацию моделей, что снижает их масштабируемость и результативность. В этом контексте использование искусственного интеллекта (ИИ) в моделировании и симуляции позволит существенно снизить трудоемкость процесса и предоставить необходимый анализ данных для обоснованного принятия решений.

Моделирование прогноза цен с учетом исторических данных и генерации факторов неопределенности с помощью ИИ позволит выявить основные перспективы изменения ключевого показателя оценки для принятия обоснованных управленческих решений1 [4; 5]. Рекомендуемый авторами методический подход к прогнозированию цен газового конденсата дает возможность получить результаты исследования наиболее приближенным к реальному времени, что позволяет адаптировать сбытовую политику компаний в условиях динамично изменяющегося рынка энергоресурсов.

В целом авторские рекомендации позволили расширить спектр анализа и прогнозирования рыночных показателей энергоресурсов и повысить доказательность принимаемых управленческих решений по формированию сбытовой политики газового конденсата отечественных нефтегазодобывающих компаний.