机器学习在石油经济学中的应用

 

直到最近几年，石油和天然气行业的机器学习用例主要局限于在地震解释中使用深度学习技术。目前，随着工业产生的数据量呈指数级增长，新的应用被发现的频率越来越高。石油经济学中的一个应用是估计产量分成合同（PSC）的未来收入。

自1966年印度尼西亚政府签署第一份PSC以来，PSC作为一种资源开采合同在石油和天然气生产国的使用已经变得普遍，主要是因为它允许东道国政府保留对其石油资源的主权。

在PSC的管理中，石油生产公司既是东道国政府的投资者，也是承包商，负责开发合同中指定的石油资产。如果成功，承包商将获得实物报酬，即以原油桶而不是现金支付，承包商报酬包括投资成本和获得的利润。

通过一个被称为石油提升的过程，承包商和东道国政府根据双方提前几个月商定的时间表，从石油储存终端运送各自应得的原油桶。各方的采油权利是通过PSC财政和商业条款的经济模型来计算的。

由于原油起卸量是根据起卸船的货舱大小决定的，因此在某一财政年度，相对于计算的应享权利，经常出现原油起卸量过高或过低的情况。双方一般都理解这一点，并在随后的解除时间表中考虑到帐目调整。

承包商的年度现金流关键绩效指数通常是根据未来一年的预期石油产量设定的，而不是根据未来应得权益计算的。这些预测的产油量有时是基于启发式的，因为实际的石油产量和石油价格可能与预测的有所不同。然而，对于具有成熟产油属性的承包商来说，存在丰富的采油信息，可以使其成为数据驱动的见解。

在这样一个例子中，使用Scikit-Learn在Python中实现的机器学习算法应用于尼日利亚政府承包商的采油数据，以预测承包商2018年的采油量。这需要使用脊回归训练一个简约模型。

该模型预测了72%的采收率有利于承包商，而实际数据为70%。同年的启发式预测为65%的承包商采油。尽管较低的预测数字可以被视为管理预期的一种方式，但它也可能产生意想不到的后果，即承包商的管理委员会将资金转移到看似表现更好的石油项目上。

模型中的输入变量是基于对计算相对采油权最有影响的特征的选择，即石油产量和石油价格。考虑到承包商的历史石油产量在20年的采样期内一直对油价有方向性的响应，这两个特征都表现出一定程度的共线性，通过选择脊回归模型来解决这一问题。

产量（目标变量）是承包商的采油百分比，它决定了承包商的年度现金流。正如典型的财政条款所支持的尼日利亚PSC类型一样，随着油价的上涨，石油开采百分比相对于政府的百分比下降，因为政府以特许权使用费和税收的形式积累了更多的租金。

训练模型的决定系数达到0.8。用模型对观察到的数据的选定样本进行反向测试，得出的预测落在95%的预测区间内。

这种机器学习方法为在规划未来收入时估计采收率提供了另一种方法。通过严格的特征识别，只要边界条件，即PSC的财政和商业条款保持不变，它就可以适用。