В статье рассмотрена возможность применения анализа временных рядов в нефтяной индустрии. Построена модель сезонной авторегрессии скользящего среднего с экзогенными переменными (SARIMAX) для среднесрочного прогнозирования (до 1 года) интегральной добычи нефти на нефтяных месторождениях. В качестве обучающей выборки исследованы ежемесячные данные о добыче нефти за 10 лет разработки нескольких месторождений ПАО «НК «Роснефть», в качестве экзогенной переменной использованы ежемесячные данные о числе добывающих скважин. В результате последовательного применения расширенного теста Дики – Фуллера к временному ряду обоснован первый порядок интеграции случайного процесса. Корректность включения в модель экзогенной переменной подтверждена проверкой гипотезы о наличии коинтеграции между переменными добычи нефти и числом добывающих скважин. Анализ автокорреляционной и частной автокорреляционной функций исследуемых временных рядов о добыче нефти, а также селекция моделей на основе информационных критериев Акайке и Шварца позволила выбрать лучшую спецификацию SARIMAX-модели. Полученные прогнозные значения сверялись с фактической добычей нефти на месторождении. На основе прогнозных и фактических значений рассчитаны метрики качества модели: средняя ошибка аппроксимации (MAPE) составила 0,78 %. Применение предложенной в статье методики прогнозирования добычи нефти и использование накопленного объема данных в структурированном виде позволило получить качественный прогноз. Это в свою очередь даст возможность в будущем принимать более обоснованные бизнес-решения, так как качественный среднесрочный прогноз позволяет экономить ресурсы компании.
Список литературы
1. Md-Khai N.Q.N., Samsudin R. Forecasting Crude Oil Prices Using Wavelet ARIMA Model Approach // International Conference of Reliable Information and Communication Technology. – 2017. – P. 535–544.
2. Choi J., Roberts D. C., Lee E.S. Forecasting oil production in North Dakota using the seasonal autoregressive integrated moving average (S-ARIMA) // Natural Resources. – 2015. – V. 6. – № 1. – P. 16–26.
3. Gupta V., Dwivedi S. Production Forecasting in the Age of Big Data in Oil & Gas industry // SAS Global Forum. – 2017. – https://support.sas.com/resources/papers/proceedings17/1469-2017-poster.pdf
4. Yusof N. M., Rashid R. S. A., Mohamed Z. Malaysia crude oil production estimation: an application of ARIMA model // Science and Social Research. – IEEE, 2010. – P. 1255–1259.
5. ARIMA Modeling of Nigeria Crude Oil Production / C.O. Omekara, O.E. Okereke, K.I. Ire, C.O. Okamgba// Journal of Energy Technologies and Policy. – 2015. – V. 5. – Р. 1–5.
6. Albarrak A. Time series analysis of Saudi Arabia oil production data. – Ball State University, 2013. – 123 р.
7. Guha B., Bandyopadhyay G. Gold Price Forecasting Using ARIMA Model // Journal of Advanced Management Science. – 2016. – V. 4. – № 2. – P. 117–121.
8. Asteriou D., Hall S.G. ARIMA Models and the Box–Jenkins Methodology. Applied Econometrics. – Palgrave MacMillan, 2011. – P. 265–286.
9. Dickey D.A., Fuller W.A. Distribution of the Estimators for Autoregressive Time-Series with a Unit Root // Journal of the American Statistical Assiciation. – 1979. – V. 74. – P. 427–431.
10. Dickey D.A., Pantula S.G. Determining the Order of Differencing in Autoregressive Processes // Journal of Business and Economic Statistics. – 1987. – V. 5. – P. 455–461.
11. Walter E. Cointegration and Error-Correction Models. Applied Econometrics Time Series (Second ed.). – New York: Wiley, 2004. – P. 319–386.
12. Aastveit K.A., Jore A.S., Ravazzolo F. Identification and Real-time Forecasting of Norwegian Business Cycles // International Journal of Forecasting. –2016. – V. 32. – № 2. – Р. 283–292.
