1997年亞洲金融危機之後，國內外學者大多致力於金融預警係統的研究，比較著名的研究方法有Kaminsky等人提出的KLR信號分析法、Frankel和Rose等人所用的概率單位模型（簡稱FR方法）、Sachs等人的橫截麵回歸方法（簡稱STV方法）和劉遵義等人采用的主觀概率法等等。一些學者在能源安全預警研究上借鑒了以上方法，不過單純運用指標的綜合評價法，這種方法的突出優點是指標清晰，容易選取，判斷相對簡單，結論也比較直觀。還有學者采用Logistic回歸的極大似然法對能源安全發生的概率進行估計，在得到預測概率後，決策者以其與概率閾值相比較來判斷這個概率是否大得足以發出危機警報。
本書試圖從金融係統預警研究中獲得一些研究方法，當然經濟係統是一個複雜的巨型係統，單純進行指標法不足以進行預測。分析上述能源安全態勢預測指標體係，可以看到能源安全態勢預測既是一個最優化過程，也是一個函數逼近的過程，還是一個模式分類的過程。而最優化處理、函數逼近、模式識別都是人工神經網絡最擅長的應用領域，因此采用人工神經網絡的研究方法也許更適合。
（一）基本思路
人工神經網絡（Artificial Neural Network， ANN），也稱神經網絡（Neural Network， NN）是由大量處理單元（神經元Nerons）廣泛互聯而成的網絡，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。人工神經網絡的研究是從人腦的生理結構出發來研究人的智能行為，模擬人腦信息處理的功能。它是根植於神經科學、數學、統計學、物理學、計算機科學及工程等學科的一種技術。
人工神經網絡的計算能力有三個顯著的特點：一是它的非線性特征；二是大量的並行分布結構；三是它的學習和歸納能力。正是具有這三個顯著特點，人工神經網絡具有強大的信息處理能力，它可以進行非線性、輸入—輸出映射、適應性、證據反應、上下文信息、容錯性、超大規模集成技術以及生物神經模擬等數據和信號處理。與傳統方法相比較，利用人工神經網絡預測經濟安全狀況更為高效和科學。當前，人工神經網絡已經廣泛地運用於實際生活中，如宇宙飛船、汽車行業、國防領域、電子領域、娛樂領域、金融保險領域、製造業、醫藥領域、交通領域等，而利用神經網絡對中國能源安全狀態進行預警的研究還非常少。
按照網絡結構和學習算法相結合的原則，我們可以把人工神經網絡分為單層前向網絡、多層前向網絡、反饋網絡、隨機神經網絡以及競爭神經網絡五類。這裏我們利用多層前向網絡中的一種學習算法——BP神經網絡對中國能源安全進行預警。利用BP神經網絡進行經濟安全預警的基本思路是：整理代表性指標並提取能源安全指標的特征→對每個指標給出其整體經濟安全狀態的評價值→將每個指標的特征集作為BP神經網絡的輸入X=（x1，x2，……，x11），能源安全狀態評價的評價值作為輸出Y，構造一個輸入層有一個11個變量，輸出層有一個變量，中間為隱層的BP神經網絡→通過對指標（X k k）（k=1，2，……，p）的學習過程訓練人工神經元網絡→利用訓練好的神經元網絡對新的輸入得到新的輸出→得到預測值。
（二）神經網絡與BP學習算法
人工神經網絡ANN是由大量簡單單元以及這些單元的分層組織大規模並行聯結而成的一種網絡。它力圖像生物神經係統一樣處理事物，實現人腦的某些功能，其信息處理功能是由網絡單元的輸入輸出特性和網絡的拓撲結構所決定；通過“訓練”來解答問題：把同一係列的輸入因子和理想的輸出因子作為“樣本”，根據一定的算法對網絡進行足夠的訓練，使得人工神經網絡能夠學會包含在“解”中的基本原理。當訓練完成後，該模型便可以用來求解相似的問題。
神經元是人工神經網絡的基本處理單元，是一個多輸入/單輸出的非線性元件。神經元輸出除受輸入信號影響外，同時也受到神經元內部其他因素的影響，所以在人工神經元的建模中，常常還加有一個額外的輸入信號，稱為偏差，也稱為閾值。
圖中，xj（j=1，2，……，n）為神經元i的輸入信號，wij為突觸強度或聯結權。ui是由輸入信號線性組合後的輸出，是神經元i的淨輸入。θi為神經元的閾值或稱為偏差用bi表示，vi為經偏差調整後的值，也稱為神經元的局部感應區。
激勵函數f（·）可取不同的函數，但常用的基本激勵函數有以下三種：閾值函數、分段線性函數和Sigmoid函數。一個神經網絡屬於線性還是非線性完全由網絡神經元中所具有的激勵函數的線性或非線性來決定。將兩個或更多的簡單的神經元並聯起來，使每個神經元具有相同的輸入矢量P，即可組成一個神經元層，其中每個神經元產生一個輸出。
多層前向神經網絡輸入層中的每個源節點的激勵模式（輸入向量）單元組成了應用於第二層（如第一隱層）中神經元（計算節點）的輸入信號，第二層輸出信號成為第三層的輸入，其餘層類似。網絡的每一層的神經元隻含有作為它們輸入的前一層的輸出信號，網絡輸出層（終止層）神經元的輸出信號組成了對網絡輸入層（起始層）源節點產生的激勵模式的全部響應。即信號從輸入層輸入，經隱層傳給輸出層，由輸出層得到輸出信號。
多層神經網絡能夠解決單層神經網絡不能解決的非線性可分問題。
輸入層神經元的個數為輸入信號的維數，隱含層的個數以及隱節點的個數視具體情況而定，輸出層神經元的個數為輸出信號的維數。與單層神經網絡相比，多層神經網絡除了輸入輸出層，還含有一層或多層隱單元，隱單元從輸入模式中提取更多有用的信息，使網絡可以完成更複雜的任務。並且，多層神經網絡的多個突觸使得網絡更具連通性，連接域的變化或連接權值的變化都會引起連通性的變化。最為關鍵的在於，多層神經網絡具有獨特的學習算法，該學習算法就是著名的BP算法，所以多層神經網絡也常常被稱為BP網絡。
20世紀80年代中期，David Rumelhart， Geoffrey Hinton和Ronald Williams， David Parker，以及Yannn Le Cun分別獨立發現了BP算法。1986年Rumelhert和McClelland編寫的名為《並行分布式處理：認知微觀結構的探索》（Parallel Distributed Processing： Explorations in the Microstructures of Cognition）一書出版，該書的出版對BP算法的應用產生了重要的影響。BP算法解決了多層神經網絡的學習問題，促進了神經網絡的發展。
不過，在實際應用中，BP算法存在兩個重要問題：一是收斂速度慢，二是目標函數存在局部極小點。因此，人們提出了一些改善BP算法的方法。本書綜合各種改進措施，采取的改進的BP神經網絡算法學習過程。
四、中國能源安全態勢遠景預測
上麵我們提出能源安全預警基本思路，建立了中國能源安全預警的基本框架，並引入改進的人工神經網絡的BP算法作為經濟安全預警框架的數學基礎，這裏結合中國相關的能源指標，運用BP神經網絡，對中國能源安全作出遠景預測。
（一）初始計算結果與結論
因為篇幅原因，這裏不具體闡述計算過程，而僅展示1993～2005年各年綜合得分的結果：
中國能源安全形勢十分嚴峻，從1993年安全性逐年降低，到2005年達到頂峰。這說明隨著中國經濟發展中能源需求的急速膨脹以及國內能源儲量的逐漸減少，中國麵臨的開放條件下的經濟安全風險變得越來越大。正是在這樣的形勢下，2006年中國政府著手起草《能源法》工作，並實施節能減排、鼓勵新能源發展等一係列政策措施，從而使能源安全狀況有所改善。
根據上述測算結果，結合專家與各機構的預測，2007年我們推算出2010年中國能源安全各項態勢預測指標值和2020年的預測值。2010年和2020年中國能源安全形勢仍為危險狀態。
值得一提的是，BP神經網絡能源安全態勢預測係統雖然是一個可以隨著新樣本的容納不斷調整結構、容錯能力較強的非線性係統，但是它的解釋力卻不是很強。因為該係統隻能對能源安全狀態進行預警，而不能準確地提供不安全因素來源的有關信息，也就是不能辨別能源安全係統中的哪一個子係統或者哪一項具體指標出現了問題。為此，在BP網絡基礎上建立的態勢預測係統的同時，我們還必須將其與指標預測方法結合起來，由此來增強能源安全態勢預測係統的解釋能力，使我們能夠更加清晰地辨別能源安全的風險究竟來自哪項具體指標。
（二）對能源安全態勢預測係統的再分析
指標預測方法是一種主觀評分方法。我們在本節建立的能源安全態勢預測指標體係的基礎上，將指標數值映射為分數值，然後計算出各個指標的加權分數。在綜合考慮神經網絡子係統的輸出結果的基礎上，具體分析能源安全風險產生的根源，為能源安全的戰略提供信息支持。這種方法具有解釋力較強的特點，但是主觀隨意性較強，因為安全分數值都是根據國際上的經驗確定的。另外，能源安全係統是一個複雜的巨型係統，而指標預測方法本質上還是一種線性方法，因此單純使用指標法預測能源安全狀態是不準確的。
為了更加客觀地預測能源安全的遠景態勢，並且能夠更加清晰地辨別能源係統中的風險究竟來自哪個指標，我們認為，指標預測方法必須與BP神經網絡預測方法有機結合起來。換言之，利用BP神經網絡對能源安全的整體狀況進行預測，同時利用指標預測方法對預測結果進行風險來源的分析，這樣既可充分發揮BP神經網絡預測的科學性和客觀性，又可保留指標預測方法的較強解釋能力，使得能源安全戰略的製訂更為科學有效。具體來說，可以對每一個指標值據其在不同安全狀態的界限值上限和下限中的相對位置，按照係統的比例映射到分數上限和下限的對應位置。
根據前麵的研究，我們把能源安全狀態分為5個區間：非常安全、安全、臨界狀態、危險和非常危險。
當某一指標值落入到某一安全狀態區間，其對應的映射分數計算方法如下：
其中，x為指標實際值，a、b分別表示指標對應的安全狀態區間的上下限值，m、n分別為指標所對應的預測區間的分數賦值。
根據這兩個公式，可以得到1993～2005年能源安全各個態勢預測指標的映射分數值。
在前麵的研究中，我們已經利用熵值法得出了各個預警指標在指標體係中的權重，用權重對上述指標映射分數值進行了調整。為簡便起見，我們在運算中將有效數值保留至小數點後兩位，由此得到經過權重向量調整後的位於[0，10]之間的能源安全預警指標映射分數值，其中分數值越大表示越不安全。
S1、S2、S4、S6、S9和S11等六項指標數值偏大，大多在6分以上，這表示這幾項指標的風險程度較高，這也與現實中中國石油儲采比低、石油戰略儲備較少、石油進口集中度明顯、石油消費強度大、運輸管道可靠性較差以及單位GDP對能源的消耗度較大等實際狀況相符合。同樣，我們也可以把2010年和2020年預警指標的預測數值代入計算，得到以下數值。
到2010年和2020年，中國能源安全狀況依然讓人憂心，最主要的是石油安全狀態不容樂觀。雖然隨著國家經濟的快速發展、國民收入的增加、能源使用效率的提高以及民眾環境保護意識的增強，中國能源安全係統抵禦安全衝擊的能力有所增加，係統中部分指標的風險程度有所降低，如戰略石油儲備度（S2）、油價波動率（S5）、GDP單耗（S11）等風險程度下降；但是石油儲采比（S1）、石油進口的對外依存度（S3）等指標卻居高不下，而天然氣儲采比（S7）指標風險甚至還大幅上升，這表明中國能源安全依然存在著相當高的風險，安全形勢依然十分嚴峻。具體來說：
（1）石油儲采比（S1）指標持續處於高位。這表明在可預見的遠景，中國經濟發展對石油的需求會維持高速增長，如果國內不能發現新的大油田的話，石油已探明可采儲量將出現一定程度的下降。石油進口依存度（S3）的不斷上升說明了在中長期之內，對能源尤其是石油的需求缺口依然主要依靠進口來彌補，進口石油的可獲得性與來源地仍然將對中國能源安全狀況產生明顯的影響。
（2）天然氣資源消耗速度加快。隨著中國國內對天然氣能源消費需求的大幅增加，在未來20年中，中國將加大對天然氣資源的開采和利用，因此國內天然氣能源的消耗速度將迅速加快。這種情況提醒我們，在合理利用國內天然氣資源的同時，應積極尋求國外資源，通過進口LNG等方式來滿足國內天然氣消費需求。
（3）環境汙染對GDP消耗（S8）、石油消費強度（S6）和GDP單耗（S11）指標的下降。這說明在經濟快速發展、能源大量使用的過程中提高能源利用效率和加強對環境的保護可以引致能源安全指標風險的降低。因此，在中長期的發展過程中，必須通過大力發展節能技術、加強環境汙染監管與處罰，以及開發可再生清潔能源等措施來保證中國“能源—經濟—環境”的綜合平衡，達到可持續發展的目的。
由於中國石油、天然氣需求對外依賴性增加，因此加強與各能源出口大國的能源合作，以保證能源供應或進口的穩定，進而保證能源安全、經濟安全十分重要。在能源合作的過程中，要特別注意能源進口的多元化，以分散集中進口可能給中國能源安全帶來的風險。同時，在保障穩定的石油進口的同時，大力開發國內的新能源，提高能源的使用效率，加大環境保護力度，力圖達到“能源—經濟—環境”三者的動態平衡。