CC BY
104
ОТРАСЛИ И МЕЖОТРАСЛЕВЫЕ КОМПЛЕКСЫ
А. А. Горячев МИРОВЫЕ ГАЗОВЫЕ МОДЕЛИ
В статье рассмотрены ведущие современные оптимизационные модели мирового рынка газа: Nexant World Gas Model, University of Maryland World Gas Model, Rice World Gas Trade Model и Deloitte MarketPoint World Gas Model. Выявлены и проанализированы их преимущества, недостатки и ключевые особенности при моделировании тех или иных отраслевых аспектов. Отмечена перспективность дальнейших исследований для разработки собственной, российской мировой газовой модели.
Моделирование мирового рынка газа. Мировой рынок газа, занимая значительную долю в мировом топливно-энергетическом балансе, продолжает свой рост. Так, Международное Энергетическое Агентство прогнозирует рост доли газа в суммарном потреблении энергоресурсов в своих сценариях развития энергетики до 2035 г. [1]. При этом рынок газа обладает рядом свойств, обусловливающих целесообразность применения мировых моделей как наиболее эффективного инструмента для анализа и прогнозирования сценариев его развития.
Во-первых, рынок газа является комплексной системой, включающей множественные взаимосвязи и взаимозависимости. Среди существующих методов и подходов к прогнозированию развития крупномасштабных систем математическое моделирование позволяет учесть наибольшее количество факторов и добиться наиболее корректных результатов. Фундаментальные законы и свойства рассматриваемой системы представляются в модели различными функциональными связями и набором входной информации, позволяя при этом логически интерпретировать и анализировать полученные результаты. Мировой газовый рынок становится все более сложной и комплексной системой: глобальное потребление и добыча природного газа растут экспоненциально, увеличиваясь на 3% ежегодно (в среднем за период с 1970 по 2012 г.) [2], количество объектов инфраструктуры при этом также неуклонно растет.
Во-вторых, стоит отметить ярко выраженную региональную структуру мирового газового рынка со всем многообразием ее особенностей и ограничений. Центры добычи газа не всегда территориально совпадают с центрами его потребления. Так, к примеру, в 2012 г. импорт природного газа в некоторых странах Азии, в частности в Японии, Южной Корее и Тайване, составил более 95% их внутреннего спроса, между тем в Катаре на Ближнем Востоке внутреннее потребление составило лишь четверть добытого газа, оставшиеся три четверти направлены на экспорт [3]. Процесс транспортировки природного газа от производителя к потребителю существенно отличается от транспортировки других видов ископаемого топлива (нефти, угля) в связи с особенностями его агрегатного состояния. Поэтому региональные рынки газа остаются, даже несмотря на бурный рост поставок сжиженного природного газа (СПГ), в достаточной мере сегментированными: цены на газ на различных торговых площадках мира (Северной Америки, Европы, Азии) различаются на десятки процентов. При этом любые региональные события (например, так называемая «сланцевая революция») способны оказывать влияние на мировой газовый баланс, что подтверждает необходимость моделирования развития мирового газового рынка в целом, а не отдельных его региональных сегментов.
В работе рассмотрен ряд современных, наиболее широко известных и применяемых обособленных моделей мирового газового рынка: Nexant World Gas Model,
University of Maryland World Gas Model, Rice World Gas Trade Model и Deloitte MarketPoint World Gas Model. При их отборе учтены глубина и детализация проработки исходных данных, широта их географического охвата и уникальность применяемого алгоритма. Мировые энергетические модели более высокого уровня, позволяющие оценивать конкуренцию между различными видами топлива: International Energy Agency World Energy Model (IEA WEM), Energy Information Administration World Energy Projection System Plus (EIA WEPS+), IEA Energy Technology Systems Analysis Program TIMES Integrated Assessment Model (IEA ETSAP-TIAM) и другие - оставлены за рамками данного исследования, так как в целом предполагают меньшую детальность и глубину отображения инфраструктуры газовой отрасли. Вместе с тем конкуренция между различными видами топлива в таких моделях происходит лишь на стороне спроса, который в более детальных газовых моделях задается экзогенно с учетом возможного переключения потребителей на другие виды топлива.
Nexant World Gas Model. Мировая газовая модель (World Gas Model - WGM) разработана компанией Nexant в рамках практики глобального газового консалтинга и исследований для стратегического анализа газового рынка и расчета сценариев. Она применяется как для поддержки регулярных, выходящих два раза в год, обзоров газового рынка «Gas Market Outlook», так и для разовых исследований и публикаций, например «Sailing into unknown waters». В настоящее время модель доступна для использования подписчиками по лицензионному соглашению, охватывающему модель, базу исходных данных, первоначальное обучение и регулярные -раз в год (по добыче и спросу) и раз в квартал (по остальным данным) - обновления. База данных включает полный набор информации, необходимый для функционирования модели по каждому структурному элементу газового рынка [4-7]:
- добыча: профили, удельные издержки LRMC (long run marginal cost), налоги, максимальные отклонения от среднегодового значения;
- спрос: прогноз по каждой стране/узлу с сезонными неравномерностями;
- трубопроводы: пропускные способности, тарифы, даты старта новых проектов;
- терминалы регазификации и сжижения: производственные мощности, удельные издержки, даты старта новых проектов;
- контракты на поставки трубопроводного газа и СПГ: импортеры, экспортеры, годовые объемы поставок «Annual Contract Quantity» (ACQ), минимальные уровни отбора «Take or Pay» (ToP), даты начала и конца действия контрактов, ценовые формулы;
- маршруты транспортировки СПГ: расстояния, используемые каналы и другая информация, необходимая для расчета удельных издержек;
- подземные хранилища газа (ПХГ): рабочие объемы, максимальные уровни отбора и операционные издержки.
Эти элементы представлены в модели с использованием сетевой логики, где в качестве узлов выступают страны или отдельные регионы, а в качестве ветвей, их соединяющих, выступают трубопроводы и маршруты транспортировки СПГ.
Важное свойство модели состоит в том, что управляющие элементы модели и набор исходных данных и результатов выполнены в формате Microsoft Excel, что в значительной степени упрощает работу с моделью: к примеру, можно ссылкой брать исходные данные из другой БД, с легкостью производить любые манипуляции с числами или записывать результаты во внешний файл. Работа самой модели построена на использовании мощного внешнего оптимизатора, подключаемого к Microsoft Excel (например, Lindo «What'sBest!»). В модели имитируется: как известные (заложенные в модель) объекты добычи и транспорта природного газа будут функционировать для удовлетворения спроса на данный энергоресурс с учетом
долгосрочных контрактов и реакции (эластичности) спроса по цене. Критерием оптимизации является минимизация суммарных затрат системы на удовлетворение спроса, что при совершенной конкуренции на рынке соответствует критерию максимизации прибыли всех производителей. Однако мировой рынок газа не является идеально конкурентным, отсутствует также механизм/площадка для максимизации прибыли всех производителей газа: даже существующий форум стран-экспортеров газа, так называемая «газовая ОПЕК», не охватывает всех игроков на рынке. В таких условиях пользователю модели приходится вручную вводить ограничения, отражающие неучтенные факторы: стремления к повышению энергобезопасности, увеличению прибыли, доли на рынке и др. Возможность моделирования поведения игроков в чистом виде в модели не заявлена, что следует отметить как недостаток.
Следующей интересной особенностью модели Nexant WGM является единица измерения переменных объема газа в модели - миллиард кубических метров, т.е. натуральная величина. Это, безусловно, упрощает актуализацию данных цепочки предложения (добычи и транспортировки). Вместе с тем это привносит определенные сложности в процесс моделирования спроса и его эластичности: ведь по данным IEA, потребление более 90% природного газа отражается как энергетическое использование для целей соответствия и сравнимости в энергетических единицах [3]. В модели потребляемый газ является гомогенным продуктом, и нельзя точно сказать, откуда он прибыл и какова его калорийность. Отслеживание потоков происходит лишь между узлами/странами, внутри которых весь газ смешивается (исключение составляют потоки газа по контрактам с указанным набором ветвей, составляющих путь контракта).
По поводу моделирования контрактов нельзя не отметить, что модель оптимизирует не только спотовые, но и контрактные поставки природного газа. При этом объем поставок по каждому контракту варьируется моделью в пределах между уровнями ToP и ACQ, исходя из его ценовой формулы в сравнении с альтернативными источниками поставок. Однако при таком подходе могут генерироваться неправдоподобные результаты, когда поставка по контракту может идти даже с месторождения с удельными издержками большими, чем уровень «нет-бэк» контрактной цены. Данная проблема решается комбинацией двух способов. Во-первых, вручную прописан полный путь для большинства контрактов, однако это не охватывает контрактных поставок с нескольких месторождений в рамках одного контракта, да и создает значительные трудности для пользователя в случае изменения исходных данных. Во-вторых, удельные издержки на добычу контрактного газа включены в целевую функцию оптимизации наряду с ценой контракта, при этом генерируются другие неправдоподобности в связи с двойным счетом.
Стоит отметить, что модель оптимизирует потоки газа по кварталам, охватывая один газовый год за один проход. Это позволяет учесть сезонные неравномерности производства и потребления газа, а также оценить роль различных ПХГ в их сглаживании. В модели прогнозируются спотовые цены на газ в каждом узле как предельные издержки на удовлетворение спроса в каждом временном периоде. При этом учет объектов ПХГ позволяет прогнозировать цены по кварталам, причем стоимость и потребность в использовании ПХГ будут влиять на сезонную неравномерность прогнозируемых цен. К сожалению, рассмотрение кварталов в качестве минимально различимого временного интервала не позволяет полностью проанализировать в модели использование ПХГ, так как характеристики большинства из них дают возможность осуществить полный отбор газа за период менее 90 дней - в таком случае не будет ясно, что происходит внутри квартала. Вторым недостатком, препятствующим полноценному учету использования ПХГ, является детерминированная (в отличие от стохастической) природа спроса на газ в модели. Для решения данной проблемы используются ручные ограничения на объем газа в ПХГ перед началом каждого газового года в конце третьего квартала.
University of Maryland World Gas Model. Мировая газовая модель была разработана и продолжает совершенствоваться коллективом авторов из Мэрилендского университета и Немецкого института экономических исследований (DIW) во главе с профессо-
ром Стивеном А. Габриэлем [8]. Она основывается на разработках 2005 г. по созданию и использованию модели Северо-Американского газового рынка [9; 10], в которых авторы подчеркивают практическую значимость и уникальность результатов моделей такого класса. Модель охватывает более 80-ти стран и соответственно более 98% всего потребления природного газа в мире. Все данные в мировой газовой модели (WGM) являются детерминированными, т.е. предполагающими идеальное предвидение, хотя коллективом автором были разработаны дополнительные стохастические модули к модели WGM [11]. Модель используется во многих исследованиях мирового и, в особенности, европейского газовых рынков.
Модель построена с использованием элементов нелинейного программирования: техники MCP (Mixed Complementarity Program). При этом в роли условий могут выступать оптимальные стратегии поведения игроков на рынке, позволяя моделировать рынки с неидеальной конкуренцией. Вся структура модели основывается на особенностях поведения различных игроков, именно участники рынка (а не объекты инфраструктуры) являются основными ее составляющими. В WGM представлены следующие типы контрагентов [8]:
Производитель (producer);
Трейдер (trader);
Оператор трубопровода (pipe operator);
Оператор завода по сжижению (liquefier);
Оператор СПГ танкера (LNG vessel);
Оператор завода по регазификации (regasifier);
Оператор ПХГ (storage operator);
Оператор газотранспортной сети (TSO);
Продавец (marketer);
Конечный пользователь (end user).
На рис. 1 показана схема взаимодействия участников газового рынка в модели. Как видно, производитель может продавать газ как трейдерам, так и операторам заводов по его сжижению в своем регионе. Трейдеры в свою очередь поставляют газ на рынок сбыта (операторам ПХГ и продавцам), бронируя трубопроводные мощности у операторов трубопроводов.
При этом операторы газотранспортной сети отвечают за расширение и увеличение мощности газопроводов (в модели представлены только стратегические меж-страновые газопроводы высокого давления). Операторы заводов по сжижению используют СПГ-танкеры для поставок газа операторам заводов по регазификации в
Рис. 1. Схема взаимодействия участников газового рынка в модели ШОМ
других странах, которые затем продадут его на рынок сбыта. Операторы ПХГ поставляют газ продавцам в пиковые периоды высокого спроса, восполняя объем хранилищ в периоды его спада [8].
Наиболее интересной особенностью модели является моделирование поведения игроков и производителей газа, в частности на рынке. Модель устроена так, что критерием оптимизации является максимизация дисконтированного (у m - коэффициент дисконтирования) дохода, рассчитываемого как разница между выручкой и издержками на добычу для каждого производителя (P) в отдельности.
При этом выручка рассчитывается на основе цены продажи газа (п p(p)dm), издержки -на основе стоимости добычи (cpm), а дневные объемы производства (SALES pdm) учитывают продолжительность каждого сезона (daysd ), для которого они рассчитаны [8]:
max m 1 Z daySdSALESPdm (я P(p)dm ~ ^m )[ . (1)
meM (deD J
С одной стороны, такой подход позволяет отразить реальное поведение производителей газа на рынке (например, стремление максимизировать прибыль), что является несомненным преимуществом подхода. С другой - модель позволяет моделировать только одного производителя для каждого узла (в большинстве случаев страны), что делает невозможным учет различных компаний в том или ином регионе (не говоря уже о проектном финансировании разработки месторождений), хотя возможность оценки влияния этих производителей на рынок сохраняется [12; 13].
Что касается объемов производства, то они ограничены как годовой производственной мощностью (PRpm - экзогенная величина), так и суммарным максиму-
мом добычи (РЯОБр), в роли которого могут выступать обеспеченность ресурсами или ограничения со стороны правительства стран [8]:
Z SALESPdm < PRPpm . (2)
£ Е ^ЗШЯРт < РЯОБр. (3)
т ^
Производственная мощность при этом является величиной экзогенной, константной и не зависящей от результатов модели в предыдущих временных интервалах. Данное допущение приводит к потере и недоучету ресурсов газа, недоиспользованных в предыдущих временных интервалах, может приводить к серьезным ошибкам и в целом усложняет работу с моделью при расчете различных сценариев [14].
Функция издержек в модели отражает рост удельных затрат на добычу от минимального уровня (а>0) прямо пропорционально (с коэффициентом Р>0) объему добычи (ч), отражая при этом их резкий рост (у<0 - обеспечивает выпуклость функции издержек) при приближении к максимальной производственной мощности (Q), что показано на рис. 2. Коэффициенты а, Р, и у при этом находятся путем подстановки уровня добычи в базовом году в качестве ч. Так, уравнение предельных издержек на добычу имеет вид [8; 14]:
' Q - ч л
C '(q) = а + Pq + у ln
Q
(4)
d
Предельные издержки
Объем добычи
Рис. 2. Общий вид предельных издержек ( — ) на добычу газа в модели ШОМ:
Н минимальный уровень [а]; И линейный рост [Р]; Ш логарифмический рост [у])
Недостатком данного подхода можно считать привязку предельных издержек только к максимальной производственной мощности. Это, во-первых, не позволяет оперировать издержками по отдельным проектам добычи: например, в случае различной последовательности их разработки ввиду отсутствия зависимости от решений модели в предыдущих временных интервалах. Во-вторых, усложняет процесс изменения исходных данных: так, например, увеличение производственной мощности автоматически приводит к снижению предельных издержек на добычу при тех же объемах производства.
Другим важным свойством модели является учет инвестиций в расширение объектов инфраструктуры: заводов СПГ, сети трубопроводов и ПХГ. Так, в ходе оптимизации автоматически принимается решение о необходимости инвестирования в то или иное расширение, приводящее к увеличению мощности в следующем временном интервале. При этом эффективная мощность процесса, например сжи-
жения, рассчитывается как сумма начальной мощности в базовом году (LQF1 ) и приростов мощности за все предыдущие временные интервалы ( ^ Дт,) [8]:
SALESLdm < LQF¡ .
(5)
Затраты же на прирост мощности входят в уравнение максимизации прибыли операторов заводов по сжижению путем умножения объемов прироста на их
удельную стоимость (Д 1т х Ь1т) [8]. Существенным ограничением такого решения является константность удельных инвестиционных затрат, что не позволяет отразить ни спад, ни (в некоторых случаях) эскалацию издержек с приростом мощности.
Нельзя не отметить и другие важные особенности модели [8; 14-15]:
- учет потерь: при сжижении, транспортировке и регазификации СПГ, а также при использовании ПХГ для хранения природного газа; суммарные объемы потерь при этом прямо пропорциональны объемам поставок газа;
- контракты: имеющаяся информация отражена только в качестве минимального ограничения на объемы поставок между конкретными операторами заводов по сжижению и регазификации; автоматического моделирования объема поставок по контрактам, как и учета контрактных цен не происходит, что является существенным недостатком;
т <т
т <т
- ПХГ: представлены в основном для учета сезонной неравномерности спроса -имеющийся объем хранения газа в начале и конце каждого года приравнивается к нулю, а использование различных временных интервалов внутри года (с продолжительностью в днях daysd ) позволяет отразить потребность в использовании
ПХГ и сезонность цен;
- временные интервалы: оптимизация происходит по пятилеткам с базового (2005 или 2010 в зависимости от версии) года; при этом результаты за последние два периода (2035-2040 или 2045-2050 гг.) следует игнорировать: они нужны лишь для определения необходимых инвестиций, окупаемость которых рассчитывается на будущем временном интервале.
MarketBuilder - это программная среда для создания и использования энергетических моделей, на базе которой построено и функционирует несколько мировых газовых моделей. Она была разработана компанией Altos Management Partners в конце прошлого столетия, однако в настоящее время права на платформу Market-Builder принадлежат компании Deloitte MarketPoint, осуществившей сделку по поглощению MarketPoint Incorporated и Altos Management Partners в 2011 г. [16-1В].
MarketBuilder позволяет строить одиночные и взаимосвязанные модели различных видов топлива, графически представляя их в виде узлов и ветвей. Отдельного внимания заслуживает интерфейс модельной среды, позволяющий [16]:
- с легкостью создавать узлы модели методом «перетащи и оставь», используя при этом различные цвета и формы для графического представления разных процессов (спроса, хранения, транспортировки, производства и др.);
- размещать объекты на фоне карты местности, региона или мира, функционируя при этом как геоинформационная система;
- графически визуализировать взаимосвязи различных узлов и регионов модели;
- экспортировать выходные данные в формате Microsoft Excel или Access.
Интересная особенность: методология и алгоритм работы MarketBuilder построены на принципах агентского моделирования и общего (Вальрасовского) равновесия. По мнению Дейла Несбитта (соучредителя и президента MarketPoint Incorporated и Altos Management Partners), это является существенным преимуществом перед другими (например, использующими принцип минимизации издержек) моделями, так как MarketBuilder в данном случае будет решать задачи максимизации прибыли для каждого игрока в отдельности [16].
Стоит отметить, что среда позволяет динамически моделировать прирост мощностей добычи истощаемых ресурсов. Однако в отличие от динамического подхода, описанного в [19], модель оперирует экзогенными фиксированными профилями прироста, доступными к использованию (приращению) в каждом году, имеющими при этом ступенчатый вид (рис. 3) [16-17; 20].
Важным свойством среды MarketBuilder является использование итерационного алгоритма для одновременного поиска решения (расчета равновесных рыночных цен и объемов) для всех регионов и временных интервалов модели [18].
Следствием такого подхода становится медленность работы MarketBuilder. Нелинейная постановка задачи существенно увеличивает время на ее решение, требуя при этом большого количества расчетных итераций. Так, даже для тестового примера с одним узлом производства, одним узлом потребления и двадцатью временными интервалами системе потребовалось 1801 вычисление. Время поиска решения при этом составило около восьми секунд, что при больших размерах модели увеличится на порядки.
Объем добычи
Рис. 3. Ступенчатый прирост мощностей добычи в среде Магке1ВшМег: Ш использованные ресурсы [ретроспективная добыча]; Ш доказанные запасы [будущая добыча]; ■ прирост запасов в периоде Г; — суммарный [максимальный] уровень добычи)
Однако уникальность алгоритма системы Магке1ВшЫег позволяет распараллеливать вычисления с максимально высокой, недостижимой для других (в особенности линейных) моделей степенью эффективности. Так, по утверждению разработчиков, увеличение в четыре раза количества центральных процессоров на машине, производящей расчеты, приведет к снижению количества времени, необходимого для полного решения задачи, в те же четыре раза. Кроме того, возможно одновременное использование нескольких компьютеров для расчета одной модели, что также приводит к ускорению работы всей системы в целом [16; 21].
В качестве другого следствия отметим приблизительность найденного решения. Вышеописанный итерационный алгоритм ищет решение численным методом, подбирая различные значения ценовых и количественных переменных, плавно приближаясь к оптимальному решению (рис. 4).
Цена
Количество
Рис. 4. Схема работы итерационного алгоритма поиска решения в системе Магке1ВшМег: ------кривая предложения,---кривая спроса)
Однако в отличие от аналитического метода поиска решений, расчет останавливается незадолго до нахождения абсолютного оптимума при величине ошибки, не превышающей порогового значения, задаваемого экзогенно: максимальной погрешности или вели-
чины неразличимости. Для предотвращения цикличности или для ограничения времени поиска решения можно задать и максимальное количество расчетных операций, по истечении которого, расчет прекратится. Так, в вышеупомянутом тестовом примере система искала решение с точностью до одной миллионной доли процента [18; 20-21].
Rice World Gas Trade Model. Мировая модель торговли газом (RWGTM) была разработана профессорами Питером Р. Хартли и Кенетом Б. Медлоком из Университета Райс при активной поддержке Джил Несбитт в 2004 г. Модель построена на базе платформы MarketBuilder (для работы которой требуется лицензия). Она не является стохастической, но позволяет проводить расчет и анализ большого количества различных сценариев [22-24].
В модели представлены более 140 отдельных регионов или узлов добычи газа. Кривые предложения (предельных издержек на добычу) рассчитываются на основе данных Геологической службы США (P-50 USGS), дополненных оценками доказанных запасов Oil and Gas Journal. Оценки издержек на добычу в Северной Америке Национального совета по нефти США (NPC) используются (с учетом геологических особенностей) для расчета стоимости добычи газа по всему миру. Полученные данные впоследствии сравниваются с различными индексами (например, EIA Well Cost Index), привязанными к ценам на углеводороды. Интересной особенностью данных о добыче газа в модели RWGTM является использование выпуклых кривых предельных издержек на добычу дополнительных ресурсов по каждому региону, построенных по трем точкам: издержки на начальный, 75-процентный и полный уровень использования срединной оценки доступных ресурсов [22-29].
Важным свойством модели является более детальное (в сравнении с предыдущими моделями) представление спроса: более чем 290 отдельными узлами и регионами, причем прогнозирование спроса в США проведено с максимальной степенью детализации: рассматривается несколько узлов спроса в каждом штате, оценивается спрос на газ в каждом секторе экономики напрямую. При этом для остальных стран мира данные спроса моделируются упрощенно в два этапа [22; 24-28]:
Вначале рассчитывается суммарный уровень энергопотребления по каждой стране, применяя регрессионный анализ для функции энергоемкости ВВП (E/Y) с использованием обратной зависимости от уровня дохода на душу населения (Y/POP) и стоимости энергоресурсов (P) [25-28, 30]:
ln| E| = a0i + a, x lnf —Y—| + a2 x ln(P).. + a3 x ln| E| . (6)
l Y J w 1 l POP X. 2 V h> 3 l Y iu 1 '
Затем оценивается доля природного газа в зависимости от уровня ВВП, от цен на газ и альтернативные энергоресурсы, установленных генерирующих мощностей и политики по импорту энергоресурсов того или иного государства с помощью уравнения в двойной логарифмической форме [26-28]:
В настоящее время модель продолжает активно совершенствоваться и применяться для анализа мирового рынка газа в рамках различных тематических исследовательских программ (см., напр. [29]).
Deloitte MarketPoint World Gas Model. Мировая газовая модель была разработана компанией Altos Management Partners в рамках проекта по исследованию мирового рынка газа. Первые упоминания о ней относятся к 1989 г. Она также выполнена на платформе MarketBuilder и имеет сходные принципы устройства и функционирования с вышеописанной моделью Университета Райс (методология моделирования спроса, к примеру, основывается на тех же работах Медлока, Солиго и Несбитт). Основные различия между этими двумя моделями выражаются в глубине и детальности проработки исходных данных [16; 20].
Необходимо отметить региональное устройство модели (позволяющее пользователю упростить работу и анализ данных, сконцентрировавшись на конкретном рынке) и способность функционировать в связке с другими моделями компании Deloitte MarketPoint (что позволяет моделировать взаимное влияние различных видов топлива).
Сравнение моделей и выводы. Рассмотрев наиболее широко известные и применяемые мировые газовые модели, стоит отметить, что абсолютно совершенной модели на сегодняшний день нет: все модели обладают и преимуществами, и недостатками, и особенностями (таблица).
Особенностью линейных моделей - и Nexant WGM в частности - является возможность достижения высокой степени детализации, особенно в части узлов добычи и объектов газовой инфраструктуры: модель легко масштабируется и позволяет создавать более одного узла в каждом рассматриваемом регионе, при этом относительно быстро справляясь с большим количеством переменных и ограничений. Данное свойство благоприятствует применению модели для анализа отдельных проектов и объектов инфраструктуры. В то же время в ней отсутствует механизм моделирования поведения игроков в чистом виде. Это является существенным недостатком, так как очевидно, что на развитие рынка природного газа будут влиять не только фундаментальные механизмы (спрос и предложение), но и стратегии поведения его участников. В данном случае возможно лишь применение сценарного подхода для анализа и сравнения экзогенно заданного ограниченного набора таких стратегий.
Рассмотренные нелинейные модели, напротив, позволяют моделировать поведение игроков вследствие особенностей формулировки целевой функции оптимизации: максимизации дохода каждого участника рынка в отдельности. При таком подходе модель сама выберет оптимальную стратегию поведения для каждого игрока из всех возможных. Вместе с тем данные нелинейные модели не позволяют полноценно учесть информацию об имеющихся газовых контрактах, что негативно сказывается на их применимости на кратко- и среднесрочном временных горизонтах. Кроме того, они не позволяют достигать высокой степени детализации в части моделирования проектов добычи ввиду особенностей их учета: ограниченности одним производителем на узел для моделей MCP и использованием выпуклых кривых предельных издержек, построенных по трем точкам, для моделей на базе MarketBuilder.
Результаты моделирования и сравнения прогнозируемых сценариев развития мировой газовой отрасли также в значительной степени зависят от исходных данных и сценарных предпосылок, используемых в моделях (оставшихся за рамками данного исследования), как и от их функционального устройства. В целом можно отметить, что сценарии всех рассмотренных в данной работе моделей прогнозируют стабильный рост мирового потребления и добычи газа в средне- и долгосрочной перспективе.
* * *
В заключение подчеркнем особую значимость проблемы прогнозирования и моделирования мирового рынка газа для российских крупных нефтегазовых компаний в условиях отсутствия отечественного модельного комплекса и инструментария подобного класса. Важно отметить перспективность и целесообразность дальнейших исследований в данном направлении, в том числе, для разработки и создания собственной, российской мировой газовой модели. Очевидно, что при этом стоит учесть и использовать мировой опыт по созданию и использованию таких моделей. В частности, особое внимание следует уделить вопросам моделирования поведения игроков, уровней отбора по существующим газовым контрактам, инвестиций в объекты газовой инфраструктуры и проекты добычи, а также степени их детализации.
Таблица
Сравнение характеристик современных мировых газовых моделей (WGM)*
Тип Параметр Nexant WGM University of Maryland WGM Rice University WGTM Deloitte MarketPoint WGM
Версия 2008 г. Версия 2014 г.
Основные технические параметры Временной горизонт прогнозирования 2005-2035 гг. 2005-2030 (2040) гг. 2005,2010**-2040 (2050) гг. 2011-2040 гг. Как минимум до 2030 г.
Временной интервал Квартал Пятилетка с возможностью разбивки репрезентативного года на сезоны различной продолжитель ности Пятилетка с разбивкой на сезоны с низким и высоким спросом
Тип оптимизации Линейная оптимизация (LP) Нелинейная оптимизация (МСР) Итерационный поиск решения
Критерий работы Минимизация суммарных затрат на удовлетворение спроса Максимизация дисконтированного дохода каждого участника рынка в отдельности Максимизация дохода каждого участника рынка в отдельности и достижение Вальрасовского равновесия
Программная реализация Microsoft Excel с внешним оптимизатором Lindo What'sBest! Оптимизатор GAMS с решателем PATH Ое1оШе Магке1Ро1т МагкйВшШег
Географическая детализация Отдельных рынков (регионов) -150 79 41 821 (с группировкой в 8 регионов)
Покрытие мирового предложения и спроса Более 130 стран Более 80 стран, 98% спроса на 2005 год Более 95% Более 70 стран
Крупные страны разделены на несколько рынков США, Канада, Россия США, Канада, Россия США, Россия, возможно другие США, Индия, Китай и другие США, возможно другие
Исходные данные Добыча По отдельным проектам (несколько узлов в каждом рынке), фиксированный максимум, фиксированные долгосрочные предельные издержки (LRMC) 1 узел/производитель на рынке, нелинейная зависимость предельных издержек от объема добычи Более 140 рынков (несколько узлов в каждом рынке), моделирование инвестиций в расширение с помощью кривых предельных издержек на приращение запасов
Фиксированный максимум Фиксированный начальный максимум с возможностью инвестиций в расширение
Спрос и объекты инфраструктуры Более 300 узлов ПХГ, -700 маршрутов СПГ Более 290 узлов спроса, более 100 маршрутов трубопроводного транспорта 5538 узлов, из них: 708 узлов спроса, 22 узла сжижения, 34 узла регази-фикации, 748 маршрута СПГ, 1162 маршрута трубопроводного транспорта
Продолжение таблицы
Тип Параметр Nexant WGM University of Maryland WGM Rice University WGTM Deloitte MarketPoint WGM
о S к * = Ь га Контракты -550 контрактов, формулы контрактных цен входят в целевую функцию, модель огпимизирует объем газа по контрактам Контракты как таковые отсутствуют, экзогенно рассчитаны минимумы поставок СПГ по различным направлениям
£ о = е- S ч о Цены Результат модели, двойственная переменная (предельные издержки на удовлетворение спроса) Результат модели, переменная Результат модели, переменная
Использование Как внутреннее (для собственных исследований и публикаций), так и внешнее (лицензионное использование клиентами) Только внутреннее (для собственных исследований и публикаций) Только внутреннее (для собственных исследований и публикаций) Как внутреннее (для собственных исследований и публикаций), так и внешнее (лицензионное использование клиентами)
1) S X С3 о S с о Преимущества - Оптимизация поставок по кон- трактам - Высокая степень детализации, особенно в части узлов добычи и объектов газовой инфраструктуры - Простота использования ввиду реализации на базе Microsoft Excel - Моделирование поведения игроков - Учет потерь СПГ и ПХГ - Возможность распараллеливания вычислений - Простота использования ввиду реализации на графиче- ской платформе и возможности экспорта данных в Microsoft Excel и Access
3 ю о Недостатки - Отсутствие моделирования пове- дения игроков - Фиксированный максимальный профиль добычи и потеря недоиспользованных ресурсов - Недостаточная детализация моде- лирования ПХГ ввиду квартального временного интервала - Отсутствие взаимосвязи по годам - Фиксированный максимальный профиль добычи и потеря недоиспользованных ресурсов - Отсутствие оптимизации поставок по контрактам - Отсутствие информации о трубопроводных кон- трактах - Недостаточная детализация кривой предложения ввиду ограниченности од ним производителем на узел - Сложность использования ввиду реализации на уз- коспециализированной платформе и отсутствия программной оболочки - Времяёмкость и приблизительность итерационного алго- ритма поиска решения - Общее (поверхностное) представление потенциала по до- быче дополнительных ресурсов с использованием выпуклых кривых предельных издержек, построенных по трем точкам - Отсутствие информации о возможности учета газовых контрактов и потерь
* Пустые ячейки таблицы означают отсутствие достоверной информации по заданному критерию. ** Базовый (откалиброванный) год.
Источники: [4-8; 14-18; 20; 24; 26-29; 31-32].
Литература
1. World Energy Outlook 2013 // International Energy Agency. Париж: OECD/IEA. 2013.
2. BP Statistical Review of World Energy. June 2014 //BP. Лондон: 2014. «http://www.bp.com/statisticalreview»
3. World Energy Balances 2013 // International Energy Agency Data Services. Париж: OECD/IEA. 2014. «http://data. iea. org/ieastore/default. asp»
4. Subscribe to Nexant Thinking [электронный ресурс]: World Gas Model // Nexant. Лондон: 2014. — URL: «www2.nexant.com/brochure/world-gas-model
5. Sailing into Unknown Waters [электронный ресурс] // Nexant. Лондон: 2009. URL: «http://thinking.nexant.com/sites/default/files/report/field_attachment_prospectus/200909/MC09_Sailing_Unkno wn_Waters_Pros.pdf»
6. World Gas Model //Nexant. Лондон: 2010. URL: «http://server.nexant.com/ecc/docs/World Gas Model.pdf»
7. Licensing the World Gas Model [электронный ресурс] // Nexant. Лондон: 2011. URL: «http://server.nexant.com/ecc/docs/World Gas Model Licensing Flyer_May2011.pdf»
8. Egging R., Holz F., Gabriel S.A. The World Gas Model: A Multi-Period Mixed Complementarity Model for the Global Natural Gas Market //Energy. Elsevier, 2010. Т. 35. № 10.
9. Gabriel S. A., Zhuang J., Kiet S. A Large-Scale Linear Complementarity Model of the North American Natural Gas Market //Energy Economics. Elsevier, 2005. Т. 27. № 4, июль.
10. Gabriel S. A., Kiet S., Zhuang J. A Mixed Complementarity-Based Equilibrium Model of Natural Gas Markets // Operations Research. INFORMS, 2005. Т. 53. № 5, сентябрь-октябрь.
11. Zhuang J., Gabriel S. A. A Complementarity Model for Solving Stochastic Natural Gas Market Equilibria // Energy Economics. Elsevier, 2008. Т. 30. № 1, январь.
12. Egging R., Gabriel S. A. Examining Market Power in the European Natural Gas Market // Energy Policy. Elsevier, 2006. Т. 34. № 17, ноябрь.
13. Egging R., Holz F., C. von Hirschhausen, Gabriel S.A. Representing GASPEC with World Gas Model Market // The Energy Journal. IAEE, 2009. Т. 30. Спец. вып. № 1.
14. Egging R., Huppmann D. User Manual—Functional and Technical Documentation for the World Gas Model 2008// University ofPotsdam. 2010. URL: «http://www.uni-potsdam.de/fileadmin/projects/wipo/Projekt_RM/wp_rm_20.pdf»
15. Gabriel S. A., Moryadee S. The Competition in the European Gas Market: Using the World Gas Model (2012 and 2014 Versions) [электронный ресурс] // University of Maryland. 2013. URL: «http://www.ms-hns.de/sites/www.ms-hns.de/files/gabriel_-_moryadee_-_competition.pdf»)
16. Nesbitt D. M. Scientific Solutions for Complex Decision Problems Challenging Senior Management [электронный ресурс] // Altos Management Partners. 2005. URL: «http://web.stanford.edu/class/msande290/WarnersCourse312005.pdf»
17. Deloitte MarketPoint. World Crude Oil and Refined Product Modeling [электронный ресурс] // Deloitte Center for Energy Solutions. Deloitte Development. 2011. — URL: «http://www.deloitte.com/assets/Dcom-UnitedStates/Local As-sets/Documents/Energy_us_er/us_er_MarketPointWorldOilModelTechnicalbrochure_081011.pdf»
18. Global LNG Outlook // Deloitte Center for Energy Solutions, Deloitte MarketPoint. Deloitte Development, 2012. URL: «http://www.marinemoney.com/sites/all/themes/marinemoney/forums/MMWeek12/presentations/wednesday/LNG 2.00 Choi.pdf»
19. Горячев А. А. Динамическое моделирование профиля добычи в линейных оптимизационных газовых моделях //Проблемы экономики и управления нефтегазовым комплексом. — М.: ВНИИОЭНГ. 2014. № 6, июнь.
20. Suchadoll J. Deloitte MarketPoint [электронный ресурс]: NGL Forum // Deloitte MarketPoint. Deloitte Touche Tohmatsu Limited. 2013. «http://www.nglforum.com/presentations/»
21. Creating a Simple Gas Model Using MarketBuilder Desktop [видеозапись] // Deloitte MarketPoint. Deloitte Development, 2014. URL: «https://www.deloittemarketpoint.com/solutions/marketbuilder/tutorials-and-videos/market-builder-tutorials»
22. Hartley P., Medlock K. B. III, Nesbitt J. Rice University World Gas Trade Model //James A. Baker Institute of Public Policy. Rice University. 2004. «http://bakerinstitute.org/media/files/event/3f421216/GSP_WorldGasTradeModel_Part1_05_26_04.pdf»
23. Hartley P. R. An Economic Model of the Gas Industry [электронный ресурс] // Rice University. 2004. URL: «http://www.ruf.rice.edu/~ecforum/presentations/Forum04/Peter Hartley — Abstract — An Economic Model of the Gas Industry.pdf»
24. Hartley P., Medlock K. B. III The Baker Institute World Gas Trade Model: Geopolitics of Natural Gas Study // James A. Baker Institute for Public Policy. Rice University. 2005.
25. Medlock K. B. III The Rice World Gas Trade Model [электронный ресурс]: CEC Workshop Presentation // James A. Baker Institute for Public Policy. Rice University. 2009. URL: «http://www.energy.ca.gov/2009_energypolicy/documents/2009-06-16_workshop/presentations/07_Medlock_The_Rice_World_Gas_Trade_Model.pdf»
26. Medlock K. B. III The Rice World Gas Trade Model: A Discussion of Reference Case Results // James A. Baker Institute for Public Policy. Rice University. 2011. URL: «http://www.energy.ca.gov/2011_energypolicy/documents/2011-04-19_workshop/presentations/Natural_Gas_Reference_Case_Baker_Institute_and_Commission.pdf»
27. Medlock K. B. III The Rice World Gas Trade Model: Development of a Reference Case // James A. Baker Institute for Public Policy. Rice University. 2011. URL: «http://bakerinstitute.org/files/2602/»
28. Medlock K. B. IIIAPPENDIXB: Development of the Reference Case from the Rice World Gas Trade Model //James A. Baker Institute for Public Policy. Rice University. 2011. URL: «http://www.energy.ca.gov/2011_energypolicy/documents/2011-09-27_workshop/Appendix_B/Appendix_B-RWGTM_methodology.pdf»
29. Medlock K. B. III The Geopolitics ofGas. Harvard-Rice Study: Initial Modeling Results //James A. Baker Institute for Public Policy. Rice University. 2014. URL: «http://bakerinstitute.org/media/files/event/55fdd836/Ken_Medlock_presentation.pdf»
30. Medlock K. B. III, Soligo R. Economic Development and End-Use Energy Demand // The Energy Journal. IAEE, 2001. Том 22. № 1.
31. Deloitte MarketPoint. MarketBuilder Models and Data [электронный ресурс] // Deloitte Center for Energy Solutions. Deloitte Development, 2011. URL: «http://www.deloitte.com/assets/Dcom-UnitedStates/Local As-sets/Documents/us_er_marketpoint_modelsdata011411.PDF»
32. Deloitte MarketPoint. Fundamental Analysis and Price Forecasting for the Commodity Markets with MarketBuilder [электронный ресурс] //Deloitte Center for Energy Solutions. Deloitte Development, 2011. «http://www.deloitte.com/assets/Dcom-UnitedStates/Local Assets/Documents/us_er_marketpoint_marketbuilder011411.PDF»
