(.江西理工大學 礦業(yè)貿易與投資研究中心,江西 贛州 34000;2.中國科學技術大學 管理學院,安徽 合肥 230026)

鉻的莫氏硬度為9,熔點為1857℃,是硬度最大的金屬,具有很強的耐腐蝕性和耐磨性。將鉻生成鉻鐵合金用作冶煉不銹鋼,極大地增強了不銹鋼的硬度和抗腐蝕等性能,被廣泛用于航空、汽車、造船和國防工業(yè)中。目前世界鉻消費的85%投入于冶金工業(yè),其他用于制作耐火材料及其他化學材料。鉻的地殼豐度為0.01%,屬于稀缺資源[1]。由于不銹鋼產業(yè)的快速發(fā)展,我國已成為世界最大鉻礦消費國[2],但受鉻礦資源匱乏和生產工藝限制,主要依賴進口以滿足對鉻礦的生產需求,對外依存度高達98%,意味著我國企業(yè)在國際鉻礦價格博弈中,影響力和話語權都受到非常大限制[3]?；趯︺t礦資源的現狀分析,預測我國未來鉻礦需求量對有效利用國內外鉻礦資源,滿足我國市場消費需求具有重要意義。

1 文獻回顧

一般而論，礦產資源需求預測方法主要有案例推理(CBR)[4]、彈性系數法[5]、“S”形規(guī)律理論[6]、灰色預測方法[7]、部門需求預測法[8]、神經網絡[9,10]、ARMA模型[11]等。但這些預測方法單獨使用存在預測精確度不高、穩(wěn)定性較弱等問題,因此國內外學者致力于將各種預測方法進行優(yōu)化改進。Chi-Sheng Shih利用三點平滑法對數據序列進行處理,建立了改進的無偏灰色預測模型[12];Mehdi Hosseinpour通過調整模糊集合和融入先驗知識對模糊邏輯預測模型進行改進[13]。部分學者將兩種及以上預測方法進行組合,既發(fā)揮了各自的優(yōu)勢,又避免了單一使用時的不足。Negin Behnia利用小波變換對數據進行了分解和重構,得到小波系數后進行ARMA預測,建立了縱向組合預測模型[14];Bates JM結合灰色預測方法與多元回歸預測方法,將兩種方法的結果進行最優(yōu)加權,建立橫向組合預測模型[15]。但這些組合模型適用于短期預測,當預測年限較長時,預測結果會出現較大偏差。BP神經網絡是通過對樣本數據進行訓練,獲得數據間的規(guī)律,進而推理出預測結果,是應用較為普遍的中長期預測方法[16]。因此,本文將神經網絡與灰色預測方法相結合對我國中長期鉻礦需求量進行預測,建立灰色神經網絡預測模型。該模型既削弱了隨機干擾因素的影響,又利用神經網絡的非線性函數逼近能力,擬合較大波動性的數據,進一步提高了中長期預測結果的可靠性和穩(wěn)定性。

2 世界鉻礦資源分布與市場分析

根據美國地質調查局2016年的數據,世界鉻礦資源總量超過120億t,儲量基礎約為76億t。但鉻礦分布極其不均衡,南非、哈薩克斯坦和津巴布韋是世界鉻礦資源最豐富的國家,鉻礦儲量約占世界總儲量的90%，其次是印度、芬蘭、土耳其等國家。這些地區(qū)是世界鉻礦資源的主要來源地(表1)。近年來,全球鉻礦產量整體保持穩(wěn)定上升趨勢,年均增長率約為6.5%,2014年達到3000萬t,同比增長2%(表2)。由表2可知:①世界鉻礦生產地主要集中在南非、哈薩克斯坦、印度和土耳其;②南非鉻礦產量穩(wěn)居世界首位,除2009年受全球金融危機影響外,其他年份均在1000萬t以上,2014年產量占世界產量的49%;③印度鉻礦產量在2013年前逐年遞減,主要原因是國家實行保護性開采政策,但在2014年超過土耳其位居世界第三;④津巴布韋鉻礦儲量雖高,但開采程度較低[17]。國際市場的鉻礦供應主要由英國ENRC和瑞士Glencore Xstrata等少數鉻礦生產公司控制(表3)。世界金屬統(tǒng)計數據顯示,世界鉻礦消費量呈逐年遞增趨勢,到2016年已達2900萬t,中國、哈薩克斯坦、印度、日本等是鉻礦消費大國。2014年全球鉻礦貿易量達1100萬t,中國、俄羅斯鉻礦進口量分別占世界鉻礦進口量的90%和4%,南非、土耳其、哈薩克斯坦鉻礦出口量分別占世界鉻礦出口量的56%、13%和7%。

表1 2015年世界鉻礦儲量和儲量基礎(商品級礦石,萬t)

注:數據來源于Mineral Commodity Summaries。

表2 2008—2014年世界主要鉻礦生產國的產量(萬t)

注:數據來源于World Metal Statistics Yearbook 2015。

表3 世界主要鉻礦供應商

注:數據來源于Raw Materials Data.

3 中國鉻礦資源概況及需求現狀分析

2016年我國的鉻礦總保有儲量為1122萬t,基礎儲量為419.8萬t,其中富礦占53.6%,平均含48%Cr2O3。鉻礦產地有56處,主要分布在西藏、新疆、內蒙古、甘肅等地,其中西藏保有儲量為425.1萬t,約占全國40%。截至2015年,我國共有鉻礦山14處,鉻礦生產能力約為20萬t/a,已生產和在建礦區(qū)共有25處[18]。我國鉻礦床屬于巖漿晚期礦床,大多賦存于純橄欖巖異離體中,如西藏的羅布莎和新疆的薩爾托海等礦區(qū)。我國鉻礦主要形成于中、新生時代,目前只發(fā)現了中小型規(guī)模的礦區(qū),其中規(guī)模最大的是西藏羅布莎礦區(qū),儲量為337.7萬t;其次是甘肅大道爾吉礦區(qū)、內蒙古賀根山礦區(qū);其他的鉻礦儲量小于100萬t。我國鉻鐵礦由眾多大小不一、分布零散的礦體組成,具有礦床規(guī)模小、平均品位低、成因類型單一、開發(fā)利用條件差等特點[19]。

我國是世界最大的鉻礦消費國和進口國。近幾年來我國鉻礦消費量不斷增加,2010—2016年鉻礦的年均表觀消費量已達806萬t。但我國鉻礦資源儲量有限,供給難以滿足日益增長的消費需求,進口是目前獲取鉻礦資源最直接的途徑。我國鉻礦進口的主要來源國有南非、阿爾巴尼亞和土耳其,2016年我國進口南非鉻礦882.05萬t,占71.7%;土耳其為101.82萬t,占8.3%;阿爾巴尼亞為54.13萬t,占4.4%。由圖1可知,2006—2011年我國鉻礦砂及精礦進口數量除2009年略有下降外,整體呈現逐漸遞增的趨勢;2013年達到1209萬t,創(chuàng)歷史新高;2014年下跌至938.33萬t;2015年、2016年再次達到1000萬t以上,說明增加鉻礦供給迫在眉睫。

注:數據來源于國家統(tǒng)計局。

圖1 2006—2016年我國鉻礦砂及精礦進口數量

4 鉻礦需求影響因素的選擇

4.1 鉻礦需求的影響因素分析

影響鉻礦需求的因素主要有:①不銹鋼產業(yè)的發(fā)展趨勢。在冶金工業(yè)中,大量的鉻用于生產不銹鋼,是生產不銹鋼不可或缺的原料,決定了不銹鋼的屬性[20]。如美國將近90%的鉻礦消費用于冶煉不銹鋼,日本、印度等將92%的鉻礦運用于不銹鋼產業(yè)中[21],不銹鋼產業(yè)的發(fā)展趨勢決定著鉻礦需求態(tài)勢,我國不斷擴張的不銹鋼產業(yè)對鉻原料及其合金的剛性需求將保持一定的增長態(tài)勢[22]，用不銹鋼產量反映不銹鋼產業(yè)的發(fā)展趨勢。②我國經濟發(fā)展趨勢。隨著我國國民經濟的快速發(fā)展,房地產、家電、汽車等行業(yè)隨之興起,拉動了對鉻原料和鉻系合金的消費需求,經濟發(fā)展趨勢影響了市場對鉻礦的消費程度，用經濟增長率表示我國經濟發(fā)展趨勢。③工業(yè)化程度。工業(yè)化與礦產資源的消耗變動之間呈現倒“U”規(guī)律。以輕工業(yè)為主的工業(yè)化前期,礦產資源消費水平低;隨著重工業(yè)的發(fā)展,人們開發(fā)利用資源的能力得到提高,產業(yè)的迅速發(fā)展帶動了礦產資源需求的增加;后工業(yè)化社會中,科技水平的提高和第三產業(yè)的發(fā)展使礦產資源的消費增長緩慢。處于不同工業(yè)化發(fā)展階段的國家,礦產資源的需求特點也不同[23,24]，用工業(yè)化率表示我國工業(yè)化程度。④匯率。我國鉻礦資源的供給主要依賴進口,匯率波動會直接影響我國鉻礦進口價格,而價格是影響消費者購買行為的重要因素,因此匯率波動將影響我國的鉻礦進口量,進而影響市場對鉻礦的消費量[25]，用人民幣對美元匯率表示。

4.2 計算方法

引入灰色關聯(lián)分析方法進一步確定鉻礦需求量與四個主要影響因素之間的關聯(lián)程度。其原理是：根據兩個因素之間隨著時間變化發(fā)展趨勢的相似或相異程度判斷兩者的關聯(lián)程度,兩者的發(fā)展趨勢越相近,關聯(lián)度越高,反之越小[26]。灰色關聯(lián)分析處理多因素的灰色關系,減少了信息不對稱帶來的誤差,對數據樣本量要求較低。

設定主因子系列和相關因子序列,Xi={xi(1),xi(2),…,xi(20)},i=0,1,2,3,4。式中,第i項指標為1997—2016年的數據系列,鉻礦需求量(i=0)的數據系列是主因子系列,影響因素(i=1,2,3,4)的數據系列是相關因子序列。

無量綱化處理:

(1)

計算差值序列:

(2)

M=max△i(t)，m=min△i(t)

式中,△i(t)為主因子序列與相關因子序列的差值序列;M、m為該序列的最大值和最小值。

計算關聯(lián)系數:

(3)

(4)

式中,γ0i(t)表示主因子序列與相關因子序列中各點的關聯(lián)系數。對各點的關聯(lián)系數加和求均值得到鉻礦需求量與影響因素的關聯(lián)度數值γ0i。

4.3 計算結果

以1997—2016年時間序列數據為樣本,見表4。經計算得出不銹鋼產量、經濟增長率、工業(yè)化率、人民幣匯率與我國鉻礦需求量的關聯(lián)度數值分別為0.883、0.586、0.601、0.575。由于四個關聯(lián)度數值均大于0.5,說明它對我國鉻礦需求的影響程度較大,其中不銹鋼產量是影響鉻礦需求的最重要因素。因此，選取這四個因素作為鉻礦需求的主要影響因素是合適的。

表4 原始數據

注:數據來源于中國礦業(yè)網和國家統(tǒng)計局。

5 鉻礦需求預測模型

5.1 運算步驟

首先,建立神經網絡模型,利用1997—2016年的樣本數據進行網絡訓練;其次,建立灰色預測模型,對2020—2030年鉻礦需求的各影響因素進行預測;第三,將影響因素的預測值輸入訓練好的神經網絡,得出2020—2030年鉻礦需求的預測值。

5.2 神經網絡模型

表5 神經網絡訓練值

圖2 樣本訓練誤差曲線

5.3 灰色預測模型

灰色預測模型GM(1,1)是根據樣本數據的分布和隨機性,利用累加生成方法將不規(guī)律的樣本數據加工成有規(guī)律的數列模型,弱化了原始數據的隨機性,所需信息量少、運算簡便、預測精度高[28]。

設樣本時間序列為X(0)={x(0)(1),x(0)(2),…,x(0)(t)},通過一階累加生成序列X(1)={x(1)(1),x(1)(2),…,x(1)(n)},建立GM(1,1)預測模型的一階單變量微分方程:

(5)

式中,α,μ為灰色參數。

由最小二乘法求解：

(α,μ)T=(BTB)-1BTYN

(6)

其中,

B=-Z(1)(2)1-Z(1)(3)1……-Z(1)(n)1é?êêêêêêù?úúúúúú，YN=x(0)(2)x(0)(3) …x(0)(n)é?êêêêêù?úúúúú

預測模型的標準解為:

(7)

根據表4,利用灰色預測模型得到2020—2030年各影響因素的預測值,見表6。

表6 2020—2030年鉻礦需求影響因素預測值

為了檢驗預測模型是否有效,采用均方差比值C和小誤差概率P對模型的預測值進行精度驗證。均方差比值:

(8)

式中,S1、S2分別為原始數據標準差和預測數據標準差。

(9)

判據:當P≥0.95、C≤0.35時,預測精度等級為優(yōu);當P≥0.80、C≤0.50時,預測精度等級為合格;當P≤0.70、C≥0.65時,預測精度不合格[32]。經計算,預測模型的精度檢驗值見表7。該模型的P≥0.80、C≤0.50,均在合格范圍內,說明該灰色預測模型的預測精度較高、可信度較好。

表7 模型精度檢驗

5.4 鉻礦需求量預測

本文將表6中各影響因素的預測值進行初始化處理后輸入訓練好的神經網絡中,得到了我國2020—2030年鉻礦需求量的預測值，見表8。由此可知,我國鉻礦需求量在2020—2030年呈現逐漸遞增的發(fā)展趨勢,年均增長率達6.87%?；诘V產資源的不可再生性和目前國內鉻礦產能水平的客觀分析,認為我國未來鉻礦資源的對外依存度依然會保持在較高水平,不銹鋼產業(yè)的發(fā)展也會受到制約。因此,我國企業(yè)通過海外并購等投資方式參與國際市場鉻礦資源的優(yōu)化配置,是緩解我國鉻礦資源供需不平衡的有效途徑。

表8 2020—2030年鉻礦需求量預測值

6 結論與對策建議

6.1 結論

主要研究結論為:①本文系統(tǒng)分析了世界鉻礦資源分布與市場、我國鉻礦資源概況及需求現狀,得出世界鉻礦的產量和消費量在不斷增加,南非、哈薩克斯坦、印度既是鉻礦資源最豐富的國家,又是主要的鉻礦生產地和出口國。我國鉻礦資源儲量少,存在品位低、開采成本高等問題,目前仍處于鉻礦資源緊缺、不銹鋼產業(yè)發(fā)展受限的階段。②分析了影響鉻礦需求的主要因素,引入灰色關聯(lián)分析方法計算影響因素與鉻礦需求之間的關聯(lián)度,保證了分析結果的可靠性和客觀性,得出不銹鋼產量、經濟增長率、工業(yè)化率和人民幣匯率是影響我國鉻礦需求的主要驅動變量。③將灰色預測模型與神經網絡相組合并將其運用于我國鉻礦需求量預測中,建立了鉻礦需求量預測的灰色神經網絡模型,綜合了灰色系統(tǒng)預測所需樣本信息少,神經網絡對非線性函數擬合能力強的優(yōu)點,解決了使用單一預測模型對中長期發(fā)展趨勢預測有較大偏差的問題。預測結果顯示，我國2020—2030年的鉻礦需求量將逐年遞增,2030年達到4174萬t。

6.2 對策建議

主要對策建議為:①津巴布韋的鉻礦儲量居世界第三,且礦石品位高,但目前的開發(fā)程度較低,是海外投資戰(zhàn)略首選區(qū)之一。近年來中非合作論壇的推動為我國與津巴布韋的合作提供了良好的經濟環(huán)境,津巴布韋的礦業(yè)市場投資方在減少,降低了我國礦業(yè)投資的競爭壓力。因此,我國企業(yè)應加強與津巴布韋政府的溝通交流,建立良好的合作關系,充分開發(fā)利用津巴布韋的鉻礦資源,緩解我國鉻礦資源供給不足的局面。②加強對我國鉻礦重要礦產地的勘查,提高勘查程度,將成果納入儲備管理中;推動國有企業(yè)、地勘單位與民營公司的多元投資,合作開展鉻礦資源勘查開發(fā);綜合利用多礦種聯(lián)合開發(fā),如對鉑族金屬礦床中的鉻礦進行綜合回采。此外,我國企業(yè)可創(chuàng)造機會與國外鉑金屬開發(fā)商建立合作關系,共同將其開采的鉻礦加工成鉻鐵礦,為我國鉻礦資源提供新的獲取渠道。③積極響應國家對外開發(fā)戰(zhàn)略,充分抓住“一帶一路”戰(zhàn)略背景下與沿線國家的合作機會,做好鉻礦資源海外開發(fā)戰(zhàn)略性規(guī)劃,在建設中實現資源共享、優(yōu)勢互補、協(xié)同發(fā)展。鉻礦作為一種戰(zhàn)略資源,必要的戰(zhàn)略儲備關系到國家資源安全問題。因此,有必要開展國家戰(zhàn)略主導投資模式,由政府推動并承擔主要風險進行鉻礦資源的海外開發(fā),以實現經濟可持續(xù)發(fā)展和保證國家資源安全。

:

[1]鄭明貴,賴亮光.中國鉻礦需求情景分析[J]. 資源與產業(yè),2011,13(4)∶43-49.

[2]曾祥婷,元春華,許虹,等.世界鉻礦開發(fā)現狀及投資建議[J].中國礦業(yè),2015,24(8)∶16-22.

[3]陶鑫.鉻礦定價影響因素的研究及對我國企業(yè)采購策略的啟示[D].上海：上海交通大學碩士學位論文,2011.

[4]鄧守城,吳青,石兵,等.基于案例推理的水上交通突發(fā)事件應急響應資源需求預測[J].中國安全科學學報,2014,24(3)∶79-84.

[5]Jack A Weber.Forecasting Demand and Measuring Price Elasticity[J].Journal American Water Works Association,1989,81(5)∶57-65.

[6]S Paul,RN Bhattacharya.Causality Between Energy Consumption and Economic Growth in India：A Note on Conflicting Results[J].Energy Economics,2004,26(6)∶977-983.

[7]鄧榮榮.慣性發(fā)展情境下湖南省能否實現2020年減碳目標？——基于GM(1,1)模型預測[J].資源開發(fā)與市場,2017,33(7)∶802-806.

[8]王超,于汶加,龍濤,等.伊朗能源及主要金屬礦產需求預測[J].中國礦業(yè),2017,26(3)∶48-53.

[9]Ahmed Tealab,Hesham Hefny,Amr Badr.Forecasting of Nonlinear Time Series Using Artificial Neural Network[J].Future Computing and Informatics Journal,2017，(6)∶1-9.

[10]Baratti R,Cannas B,Fanni A,etal.River Flow Forecast for Reservoir Management Through Neural Network[J].Neurocomputing,2003,55(3-4)∶421-437.

[11]Billinton R,Chen H,Ghajar R.Time-series Models for Reliability Evaluation of Power Systems Including Wind Energy[J].Microelectronics Reliability,1996,36(9)∶1253-1261.

[12]Chi-sheng Shih,Yen-tseng Hsu,Pin-chan Lee.Grey Number Prediction Using the Grey Modification Model with Progression Technique[J].Applied Mathematical Modeling,2011,35(3)∶1314-1321.

[13]Mehdi H,Ahmad S Y,Seyed M G,etal.Application of Adaptive Neuro-fuzzy Inference System for Road Accident prediction[J].Ksce Journal of Civil Engineering,2013,17 (7)∶1761-1772.

[14]Negin Behnia,Forough Rezaeian.Coupling Wavelet Transform with Time Series Models to Estimate Groundwater Level[J].Arabian Journal of Geosciences,2015,8(10)∶8441-8447.

[15]Bates JM,Granger CWJ.The Combination of Forecasts[J].Journal of the Operational Research Society,1969,20(4)∶451-468.

[16]Mourad Mordjaoui,Salim Haddad,Ammar Medoued,etal.Electric Load Forecasting by Using Dynamic Neural Network[J].International Journal of Hydrogen Energy,2017,42(28)∶17655-17663.

[17]呂東明.中資企業(yè)在津巴布韋投資的現狀及建議[J].國際經濟合作,2014,(6)∶75-77.

[18]朱明玉,王成輝,王登紅,等.中國鉻礦主要礦集區(qū)及其資源潛力探討[J].中國地質,2013,40(4)∶995-1006.

[19]張煒.世界鉻礦資源需求分析及預測[J].資源與產業(yè),2016,18(4)∶87-91.

[20]錢祥榮.近期低鉻與無鉻不銹鋼的研究[J].上海金屬(鋼鐵分冊),1985,(4)∶30-33.

[21]楊金岱.用礦石直接冶煉鐵鎳鉻合金和不銹鋼[J].特殊鋼,1983,(1)∶92-93.

[22]楊春芳.不銹鋼產業(yè)鏈集中度和盈利能力分析[J].有色金屬工程,2012,2(3)∶19-22.

[23]成金華,汪小英.工業(yè)化與礦產資源消耗：國際經驗與中國政策調整[J].中國地質大學學報(社會科學版),2011,11(2)∶23-27.

[24]任忠寶,王世虎,唐宇,等.礦產資源需求拐點理論與峰值預測[J]. 自然資源學報,2012,27(9)∶1480-1489.

[25]王枝茂.價格與需求的特殊效應在定價中的運用[J]. 價格月刊,1993,(1)∶30-31.

[26]蔣蓉華,曹琦.基于灰色BP神經網絡的企業(yè)人力資源需求預測[J].中國人力資源開發(fā),2011,(11)∶42-46.

[27]韓巍,魯永恒,趙淑英.基于BP神經網絡的黑龍江省煤炭產業(yè)發(fā)展前景分析[J].煤炭經濟研究,2013,33(12)∶53-56.

[28]王磊,薛雅君,張宇.基于土地利用變化的天津市生態(tài)資產價值評估及灰色預測[J].資源開發(fā)與市場,2017,33(7)∶796-801.