对中国这个亚洲第二大石油市场觊觎已久的西方石油公司前不久发起了一次大的“攻势”。

  世界石油业三巨头埃克森美孚、英荷壳牌和BP阿莫科集团宣布，将出资18亿美元收购中国石油化工集团公司10％的股份。

  埃克森美孚公司称，这次收购行动将使它与中国石化合作的一家炼油厂的生产能力翻一番，并可在中国境内增设500个加油站。

  加油站是石油进入市场的最后关口，抢占加油站，扩大终端零售市场是石油巨头们最终取得竞争优势的必然选择。

  尽管到目前为止我国并未允许外资经营加油站，但据统计，外资在我国沿海、沿江、北方重镇甚至中西部己建立了400多个加油站。

  荷兰皇家壳牌集团已在华投资10亿美元，不但建立了20多个三资企业和办事处，还采用合资方式建立了40个加油站。

  其中在天津通过与当地农垦局合资的方式，一口气建了10余家壳牌加油站，牢牢地建立了自己的滩头阵地。

  美国BP阿莫科的声势更加浩大，称其将拿出100亿美元“开发”中国的油品终端市场。

  中国目前每年成品油销量不到4000万吨，BP阿莫科竟规划在三五年内在中国达到500万吨的销售量。

  届时，海外石油巨头挟其资金、技术和人员优势大举“入侵”中国，中国石油市场版图将被重新划分。

  据中国石油化工集团公司总经理李毅中透露，目前国内成品油、润滑油市场的20％已被国外大公司占领。

  作为国民经济支柱行业的石业，象电信、电力、铁路运输等行业一样在我国被格外的重视，一直为国家垄断。

  为了适应市场经济，国家组建了几家特大型石油石化公司集团，其中，中石化和中石油，无论从资产规模还是从市场地位来说都属于真正的“国家军团”。

  两家国内大型石化企业的业务基本相同，各占全国市场的半壁江山：南方归中石化，北方归中石油。

  但与国外石油巨头们相比，无论在设备和技术上还是在管理上，中石化和中石油都存在很明显的差距。

  作为“国家军团”的两大巨头显然在石油零售市场上仍保持着老大的地位，但在遍布全国的将近9万家加油站中，两大集团迄今只控制了1万余家。

  如果对那些游离于两家之外的加油站失去控制的话，那么在国内油品市场开放后的日子将会很难熬。

  面对外国石油巨头的“大兵压境”，对刚从“温室”中出来的中国石油企业将面临一次严峻的考验。

  中石化的计划是在现有的1．2万个加油站基础上，今年再增加 8000家，使自己的加油站总数达到2万个，中石油在去年已增加了大约1500家加油站，今年仍把发展加油站作为工作重点；另一方面，两家公司加紧了对那些社会力量兴办的加油站的“收编”工作。

  继今年上半年中石油成功在香港与美国股市挂牌之后，中石化已于前不久正式向美国证券交易委员会提交申请，将在美国纽约证券交易所发行股票。

  据透露，从10月9至12日，中石化在全世界内进行公开招股，预计将于10月18日和10月19日分别在美国和香港正式挂牌上市。

  长期资金市场的成功对中石化的发展壮大无疑又注入了新的血液，在同海外石油巨头们的争霸中又添了几分自信。

  中石油和中石化这两个中国“航母级”国有企业先后在国家主导下走向海外资本市场，“入世”在即是一个重要的背景。

  中石化这次上市集中优良资产组建成中石化股份公司，只把其中约60家全资及控股企业纳入了上市范围，这中间还包括6个油田企业、24家石油化学工业企业和5家科研机构等。

  为了使其能轻装上阵，国家也设法为其“减负”，4家国有银行对中石化所欠的36亿美元债务全部转为股本，约占上市总股本的25％，这为中石化免除了“后顾之忧”。

  人工神经网络建模是近几年来发展起来的一门新兴的信息处理技术，它不同于传统的数学处理方法，能轻松实现n→m维空间的非线性映射，处理很复杂的问题，神经元是神经网络的基本组成部分。

  ω1，…，ωn为其他神经元与第i个神经元突触的联结，可以是正，也可以是负，分别表示兴奋性突触和抑制性突触，数值的大小依据突触不同的化学变化而各不相同，每个人工神经元满足。

  按照不同模型建立起的具有各种柘扑结构的人工神经网络已有几十种，其中的反向传播模型（BP）是应用最广泛的模型之一，利用BP网络的学习功能，给定一系列的输入输出模式令其学习，并依据一定的学习规则调节各层节点之间的联接权重，最终可使网络的实际输出与期望输出相比较达到一定的精度要求，联结权重的调节规则是

  Hechet-Nielson（1989）证明了对任意L2上，m到Rn的映射G，都存在一个三层BP网络能随意逼近G。

  在人工神经网络的建模过程中，由于不同的参数之间在数量级和变化幅度上的差异，很可能使一些变化幅度小或绝对值小的数据被其他的因素所掩盖，进而影响神经网络的建模效果。

  为了克服这一缺点，目前已有多种方法用于数据的标准化处理，比较而言，Z-变换法具有更为严格的统计意义。

  如在王晓强（1999） 的基于神经网络的集装箱运量预测的研究中，能够最终靠增加另外对集装箱运量影响大的数据的变化来大大的改变预测精度。

  全国居民用电量的数据对于电力工业，特别是对用于电力基本的建设的投资的比例和方向的决定起到很大的作用。

  根据王晓强（1999） ，郑成德（1999） 等文章的分析，对于一维非线性时间序列，一般都会采用单个隐含层即可。

  首先给定较小初始隐含层单元数，构成一个结构较小的BP网络，进行训练，如果训练次数很多或在规定的训练次数内没有满足收敛条件，停止训练，逐渐增加隐单元数形成新的网络重新训练。

  但是这种计算方式只考虑了样本数和输入单元数对结构的影响而没考虑研究问题的复杂性。

  故在用电量的预测中采用尝试的方法，通过逐渐增加隐含层单元的数量，以预测精度不再有显著的增加时的数量作为用于预测的神经网络的隐含层节点数。

  对以上数据采用以下的两种BP网络预测方法：第一种是利用前三年的居民用电比例的数据来预报第四年的用电比例，1987～1995年的数据作为网络的学习组，1996～1998年的数据作为网络的学习效果的实际检验组，并用学习成功后的网络进行1999～2005年的居民用电量的比例的预报；第二种方法是利用前三年的居民用电量比率的数据和前一年的全国总用电量的数据作为网络的四个输入数据，进行第四年的居民用电比率预报，学习组与预报组得分法与第一组相同。

  在1999年后由于没总用电量的数据，这时能够使用用前三年的总用电量的数据来进行第四年的总用电量的预报，然后把预测的数据用于居民用电比率的预报中去。

  对数据的规格化采用公式（4）的办法来进行，最后选定的网络的隐含层的节点数为7，学习率为0.6，在网络达到了给定的精度时停止学习，进行预测。

  在神经网络输入端增加对于测量有特别大的影响的量可以在预测的精度上有一个很大提高，这完全是由于预测问题的复杂性和影响因素的多样决定的，这也就指导我们在预测的时候，能够最终靠对问题的具体分析，增加一两种主要的影响因素的数据，可以显著提升预测的精度。

  我国的居民生活用电量在今后几年内有一个较大的增长，这与我国近几年的经济发展是有巨大关系的。