2026年1月，我院安素芳老师的学术论文《Forecasting early warning signals for abrupt transitions in oil systems: A deep learning-based network and regime switching model》于《ENGINEERING Management》发表。

论文摘要：

与全球性危机事件相伴的突变跃迁易引发系统性崩塌。现有面向油价系统时间序列的突变预警模型，多聚焦单点波动特征，忽视了油价序列自身的动态演化过程；而该过程既包含油价序列的历史演变规律，也体现其与关联变量耦合形成的非线性波动特征。本文构建了一种融合深度学习模型、马尔可夫区制转换模型与重构混合网络（包含自动力网络与关联互动力网络）的突变预警框架。选取西德克萨斯轻质原油（WTI）与天然气期货日度价格作为研究样本，识别能源系统的突变跃迁已经，并探究典型事件冲击下的突变演化特征。研究表明，混合网络拓扑结构可有效刻画系统动态演化特征；网络节点的入度、出度与加权度均服从幂律分布。基于深度学习模型能够有效捕捉突变跃迁的预警信号。尤为重要的是，基于混合网络的深度学习预警模型，性能显著优于仅嵌入自动力网络的模型，两类模型在训练集与测试集上的平均准确率均超过90%。本研究丰富了能源风险管理领域的理论与方法体系，可为政策制定者及市场投资者提供可靠的风险突变预警工具。

期刊介绍：

《Engineering Management》（原《Frontiers of Engineering Management》）是中国工程院主管的一本国际学术期刊，以严谨规范的同行评审机制与高水平学术把关著称。该刊为JCR Q1区权威外文期刊，中科院工技术一区（2025），期刊最新影响因子7.7，学术综合影响力持续稳步提升。该期刊已经成为工程实证建模、机器学习优化、复杂网络分析等高质量应用型成果，是工程管理、工业工程、能源经济交叉方向优质、稳妥的主流发表平台。

作者简介：

安素芳，河北地质大学管理学院，讲师，博士。主要研究方向：复杂系统、时间序列分析、资源环境管理，金融风险管理