Технологические инновации как фактор спроса на энергоносители в секторе автомобильного транспорта

Обложка

Цитировать

Полный текст

Аннотация

Проблема прогнозирования рынка моторных топлив в последние годы приобретает особую значимость в связи с развитием технологий и ужесточением межтоп­ливной конкуренции в транспортном секторе, что в будущем может радикально преобразовать нефтяной, газовый и электроэнергетический рынки. Возникает потребность в разработке усовершенствованных методик прогнозирования, позволяющих учитывать меняющиеся рыночные факторы, прежде всего новые технологии.В статье исследуется проблематика прогнозирования спроса на жидкие топлива в условиях неопределенности, связанной с будущим технологическим развитием автотранспорта. Технологии, воздействующие на этот спрос, классифицированы по характеру их влияния: разработки, направленные на повышение энергоэффективности традиционных автомобилей, а также драйверы межтопливной конкуренции с прямыми и непрямыми субститутами нефтепродуктов. Для решения проблемы ограниченности исходной информации в методику включены инструменты кластеризации для группирования стран по определенным признакам. Экономико-математический инструментарий с оптимизационными блоками обеспечивает комплексные расчеты, моделирующие рынок жидких топлив и оценивающие его взаимозависимостьс рынками других энергоресурсов.Сформированная система прогнозирования можетслужить инструментарием для оценки будущеговлияния технологических инноваций на развитие нефтяной отрасли при проведении Форсайт-исследований.

Об авторах

Татьяна Митрова

Федеральное государственное бюджетное учреждение науки «Институт энергетических исследований Российской академии наук (ИНЭИ РАН)

Email: mitrovat@me.com
117186, Москва, ул. Нагорная, д. 31, к. 2

Вячеслав Кулагин

Национальный исследовательский университет «Высшая школа экономики»; Федеральное государственное бюджетное учреждение науки «Институт энергетических исследований Российской академии наук (ИНЭИ РАН)

Email: vakulagin@hse.ru
117186, Москва, ул. Нагорная, д. 31, к. 2

Дмитрий Грушевенко

Национальный исследовательский университет «Высшая школа экономики»; Федеральное государственное бюджетное учреждение науки «Институт энергетических исследований Российской академии наук (ИНЭИ РАН)

Email: dagrushevenko@hse.ru
117186, Москва, ул. Нагорная, д. 31, к. 2

Екатерина Грушевенко

Федеральное государственное бюджетное учреждение науки «Институт энергетических исследований Российской академии наук (ИНЭИ РАН); Российский государственный университет нефти и газа имени И.М. Губкина

Email: grushevenko@gmail.com
117186, Москва, ул. Нагорная, д. 31, к. 2; 119991, г. Москва, Ленинский просп., д. 65, корп. 1

Список литературы

  1. APS (2008) Energy Future: Think Efficiency. College Park, MD: American Physical Society.
  2. Behrang M.A., Assareh E., Ghalambaz M., Assari M.R., Noghrehabadi A.R. (2011) Forecasting future oil demand in Iran using GSA (Gravitational Search Algorithm)//Energy. Vol. 36. P. 5649-5654.
  3. Bhattacharyya S.C., Timilsina G.R. (2009a) Energy Demand Models for Policy Formulation. Policy Research Working Paper. Washington, D.C.: World Bank.
  4. Bhattacharyya S.C., Timilsina G.R. (2009b) Modeling energy demand of developing countries: Are the specific features adequately captured?//Energy Policy. Vol. 38. P. 1979-1990.
  5. Bouachera T., Mazraati M. (2007) Fuel demand and car ownership modeling in India//OPEC Review. Vol. 31. № 1. Р. 27-51.
  6. Button K., Ndoh N., Hine J. (1993) Modeling vehicle ownership and use in low income countries//Journal of Transport Economics and Policy. № 27. Р. 51-67.
  7. Cleveland C.J., Kaufmann R.K., Stern D.I. (2000) Aggregation and the role of energy in the economy//Ecological Economics. Vol. 32. P. 301-317.
  8. Cleveland C.J., O'Connor P. (2010) An Assessment of the Energy Return on Investment (EROI) of Oil Shale. Boston, MA: Boston University.
  9. DOE (2014a) Energy Information Administration International Energy Outlook. Washington, D.C.: U.S. Department of Energy.
  10. DOE (2014b) Transportation Demand Module of the National Energy Modeling System: Model Documentation. Washington, D.C.: U.S. Department of Energy.
  11. Forouzanfar M., Doustmohammadi A., Hasanzadeh S., Shakouri H. (2012) Transport energy demand forecast using multi-level genetic programming//Applied Energy. Vol. 91. № 1. Р. 496-503.
  12. Hartigan J.A., Wong M.A. (1979) Algorithm AS 136: A k-means clustering algorithm//Applied Statistics. Vol. 28. № 1. Р. 100-108.
  13. Hook M. (2009) Depletion and Decline Curve Analysis in Crude Oil Production. Uppsala: Uppsala University.
  14. Hubbert M.K. (1962) Energy Resources. Washington, D.C.: National Academy of Sciences, National Research Council.
  15. IEA (2013) Recourses to Reserves Oil, Gas and Coal Technologies for the Energy Markets of the Future. Paris: International Energy Agency.
  16. IEA (2014) World Energy Outlook 2014. Paris: International Energy Agency.
  17. Kong Z., Dong X., Xu B., Li R., Yin Q., Song C. (2015) EROI Analysis for Direct Coal Liquefaction without and with CCS: The Case of the Shenhua DCL Project in China//Energies. № 8. P. 786-807.
  18. Michel B. (2010) Oil Production: A probabilistic model of the Hubbert curve. Paris: Universite Pierre et Marie Curie.
  19. Nakanishi T. (2006) Supply and Demand Analysis on Petroleum Products and Crude Oils for Asia and the World. Tokyo: Institute of Energy Economy.
  20. OECD, IEA (2010) Sustainable Production of Second Generation Biofuels Potential and Perspectives in Major Economies and Developing Countries. Paris: Organization for Economic Co-operation and Development, International Energy Agency.
  21. OECD, IEA (2011) World Energy Model -Methodology and Assumptions. Paris: Organization for Economic Co-operation and Development, International Energy Agency.
  22. OPEC (2014) World Oil Outlook 2014. Vienna: Organization of the Petroleum Exporting Countries.
  23. Raugei M., Fullana-i-Palmer P., Fthenakis V. (2011) The Energy Return on Energy Investment (EROI) of Photovoltaics: Methodology and Comparisons with Fossil Fuel Life Cycles. Upton, NY: Brookhaven National Laboratory.
  24. Telgarsky M., Vattani A (2010) Hartigan's Method: K-means Clustering without Voronoi//JMLR Workshop and Conference Proceedings. Vol. 9. P. 820-827.
  25. Wang M., Huo H., Johnson L., He D. (2006) Projections of Chinese Motor Vehicle Growth, Oil Demand, and CO2 Emissions through 2050//Transportation Research Record: Journal of the Transportation Research Board. № 2038. P. 69-77.
  26. World Energy Council (2011) Energy & Mobility. Background material report. London: World Energy Council.
  27. Бобылев Ю.Н., Приходько С.В., Дробышевский С.М., Тагор С.В. (2006) Факторы формирования цен на нефть. М.: Институт экономики переходного периода.
  28. Брагинский О.Б. (2012) Прогнозирование российского рынка автомобильных видов топлива. М.: Институт народнохозяйственного прогнозирования РАН.
  29. Горячева A.O., Грушевенко Д.А., Грушевенко Е.В. (2013) Оценка влияния потенциальных шоков на мировой нефтяной рынок//Нефть, газ и бизнес. № 5. С. 37-42.
  30. Григорьев Л., Курдин A. (2013) Экономический рост и спрос на энергию//Экономический журнал ВШЭ. № 3. Р. 414-432.
  31. Грушевенко Д.А., Грушевенко Е.В. (2012) Нефть сланцевых плеев -новый вызов энергетическому рынку? M.: ИНЭИ РАН.
  32. Грушевенко Д.А., Грушевенко Е.В. (2015) Применение метода кластерного анализа при группировке стран для прогнозирования спроса на нефтепродукты//Нефть, газ и бизнес. № 2. С. 23-26.
  33. Макаров A.A., Веселов Ф.В., Елисеева O.A., Кулагин В.A., Малахов В.А., Митрова T.A., Филиппов С.П., Плакиткина Л.С. (2011) Модельно-информационный комплекс SCANER. М.: ИНЭИ РАН.
  34. Макаров A.A., Митрова T.A., Григорьев Л.M., Филиппов С.П. (2013) Прогноз развития энергетики мира и России до 2040 года. М.: ИНЭИ РАН, Аналитический центр при Правительстве РФ.
  35. Митрова T., Галкина A. (2013) Межтопливная конкуренция//Экономический журнал ВШЭ. № 3. С. 394-413.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».