龚 关

（河南理工大学 经济管理学院，河南 焦作454000）

钢铁产业是我国国民经济的支柱产业之一，也是社会进步的重要物质基础。2008年国家为了应对金融危机对我国经济造成的冲击，实施了4万亿的投资计划，基础设施建设成为主要的投资方向，政策刺激的结果有效的拉动了钢铁产业的生产和需求，但随之而来的问题也逐步显现：大规模的投资刺激过后，钢铁产业能否找到新的增长点？过剩产能如何消化？国际社会要求中国减少碳排放的压力如何应对？造成这些问题的一个基本原因就是我们没有对钢铁的消费需求做出较为精准的预测，预测方法和手段的缺失是导致钢铁生产的供需不平衡的原因之一。因此，对钢铁消费需求的研究成为一项非常重要的课题。

国内关于钢铁消费需求预测的研究不多，龙宝林、叶锦华[1]对我国钢铁及铁矿石需求做出了预测，重点从经济发展阶段、人均GDP、工业化三方面分析了钢铁消费的规律，并认为铁矿石的需求直接影响钢铁的需求量，预计2020 年钢铁产量将达到 6.8 亿吨。韦保仁[2]（2005）对中国钢铁年产量进行了预测，作者把中国钢铁需求量按建筑业、汽车业、机械及其它行业来划分为三类，利用NICE III模型计算得到各自的需求量。研究表明中国最大的钢产量可达4.75亿吨。灰色系统理论能解决数据不足的问题，其短期预测效果较佳，但长期预测误差较高。上述文献为钢铁需求的研究提供了重要的参考，但对于钢铁需求预测的方法选择上，仍然存在着一些不足，需要寻找更加准确、科学、有效的预测方法。

本文的主要工作有三个方面：第一，重点分析影响钢铁需求的主要因素，建立基于ν-SVR的钢铁需求预测模型并验证模型的有效性。第二，对比ν-SVR、BP神经网络和GM（1.1）三种方法在钢铁需求预测方面的精确性。第三，基于ν-SVR的钢铁需求预测模型对“十二五”期间我国的钢铁需求进行预测。

一、影响钢铁消费需求的主要因素

1.国内生产总值

国际钢铁协会于1974年发表了一篇文章 “钢铁消费强度和国民经济总值的结构”，提出了钢材消费强度（即一美元国民生产总值的钢材平均消费数值ASC/GNP），并把每个国家的经济发展划分成四个阶段。根据这一理论，正处于工业化中后期阶段的中国对钢材消费强度几乎保持不变。[3][4]

2.城市化进程

城市化伴随着工业化的进程而发展。中国过去在特殊的历史条件和计划经济下推进工业化，导致城市化落后于工业化。2010年中国城市化水平是47.5%，离2020年中国城市化水平60%的目标仍然有很大的发展空间，随着城市化进程的加快，未来对钢铁的需求还将处于刚性状态。

3.固定资产投资

钢铁行业产能过剩的直接原因是投资规模过大或结构不合理，未来可能形成的潜在生产规模和结构超过了符合市场有效需求的供给规模和结构，产能扩张速度远远超过需求扩张的速度。把固定资产投资作为钢铁需求的影响因素，能帮助我们更加理解钢铁需求的成因和其中蕴含的一般规律，进一步作为政策设计和实施的参考，以更好应对产能过剩问题带来的重大挑战。

4.铁矿石需求

中国经济快速发展，以及工业化和城市化进程的不断加快，使得中国钢铁行业也得到了突飞猛进的发展，全行业产能急剧扩张――2000年中国钢铁产量刚刚跨越1亿吨大关，到了2010年钢铁产量就达到了6.27亿吨。美国等发达国家，废钢是炼钢的主要原料，电弧炉产钢量占总产钢量的比例可达60%。而中国炼钢设备仍以高炉为主，电弧炉产钢量占总产钢量的比例不足15%。综合以上两个原因，本文认为铁矿石在今后还是中国钢铁企业最主要的炼钢原料，因而对铁矿石需求的多少将会在一定程度上影响钢铁的需求量。[5]

5.居民消费水平

居民消费水平通过消费的物质产品和劳务数量和质量来反映。随着我国居民消费水平的不断提高，人们的消费观念和行为也发生了很大变化，人们不止满足基本的生活消费，更增加了对汽车、房子等耐用品的消费需求。因为这些产品都是以钢铁作为主要的生产材料，因而居民消费水平的高低也会间接影响钢铁的需求数量。

6.科技进步

科学技术进步对中国钢铁产量的影响主要体现在以下两个方面：一是随着科学技术的进步，节能技术进一步发展，节能率大大提高，从而节约了钢铁消费；而是技术进步促使我们进一步开发利用新材料，从而在一定程度上改变钢铁需求量的发展变化趋势。由于钢铁技术进步难以量化，我们用能耗 （万吨标煤）与粗钢产量的比值来代替科技进步。

二、钢铁需求预测模型建立

1.支持向量回归机SVR模型

支持向量机（Support Vector Machine）是机器学习领域中基于统计学习理论的分类回归方法，由AT&T贝尔实验室的Vanpnik等于1995年提出的有效解决小样本学习问题的方法。通过构造核函数将原空间非线性问题转换成高维空间的线性问题，具有几何上可解释性。从最初的在模式分类问题 （支持向量分类机，Support Vector Classification，SVC）上的成功应用到在回归算法（支持向量回归机，Support Vector Regression，SVR）上的研究，支持向量机方法被成功地应用于时间序列、非线性系统建模与预测、优化控制等方面的研究。

2.基于ν-SVR的钢铁需求预测模型

本文将前文分析得到的影响钢铁需求的六种因素作为SVR模型的输入X，将对应的钢铁实际需求量作为输出Y，其中，X=（x1，x2，…，xi，…，xn）， Y=（y1，y2，…，yi，…，yn），对应于1985-2003年份的19个数据。xi表示某一年度由影响钢铁需求的各指标构成的向量，yi表示对应年度的钢铁需求量。[6]

（1）首先利用支持向量回归的原理，假设利用径向基核方法将输入向量（x1，x2，…，xi，…，xn）映射到高维特征空间（φ（x1）， φ（x2），…， φ（xi），…， φ（xn）），则输出 y 可由下列回归模型给出：

（2）参数ω和b可由以下最优规划问题确定，这里选用 ν-SVR 构建模型.定义损失函数 c：（ε>0）

（3）选择正数参数C，ν和核函数，构建优化：

（4）为了求解，引入 Lagrange函数将问题（3）转换成其对偶问题求解：

其中C，ν为大于0的参数，假设得到最优解：

选择径向基核函数：

（6）综上钢铁与需求预测模型为：

三、实证分析

1.数据准备及预处理

本文引用 《中国统计年鉴》、《中国钢铁工业年鉴》、《十二五规划纲要》及国家有关部委发布的权威数据，得到1985-2015年的相关统计数据如表1所示。

表1：1985-2015年钢铁需求相关数据

由于各指标量纲的不同及经济数据的非线性增长性，直接用表1的原始数据会降低预测结果的准确性，因此需要对各指标进行对数归一化，将表1的数据映射到[-1，1]区间上：

xmax，xmin分别表示表1中某一列的最大和最小值。

2.模型预测结果分析

运用MatlabR2009编程工具，下载开源的LibSVM工具包实现ν-SVR回归模型，具体步骤如下。

步骤1：利用公式（10）对1985-2015年的数据进行归一化处理。

步骤2：选择1985-2006年的数据进行钢铁需求回归建模，不断调整模型参数C，ν和径向基函数参数σ2使2007-2010年验证集上的拟合结果的平均误差（Mean squared error）达到可以接受的范围。

步骤 3：确定模型参数为：C=100，ν=0.4，σ2=0.001。 模型训练结果，即1985年-2006年对应的式（5）中的系数αio如表2所示。

表2：模型训练结果

上表中系数非0对应的年份标准化后的输入向量即为支持向量，共11个。b*=0.4102。将系数αio和b*代入式（9），即得到钢铁需求预测模型。模型在训练集（1985-2006年）和验证集（2007-2010年）上的预测结果转化成原始数据，结果如图1所示，ν-SVR模型具有很好的拟合能力和泛化能力，拟合回归线和实际线非常接近，两者的误差非常的小。

图 1 基于ν-SVR模型的钢铁需求预测图

3.模型有效性检验

为了进一步验证ν-SVR模型在钢铁需求预测上的优良的拟合精度，将ν-SVR模型与传统的 GM（1，1），BP 神经网络等方法的拟合结果进行比较，如表3所示。（误差=100%*|拟合值-实际值|/实际值，其余方法均按式（10）归一化）

表3：SVR和其他方法验证结果

从表2可以看出，使用BP神经网络方法拟合钢铁需求平均误差为5.96%，使用GM（1，1）方法拟合钢铁需求平均误差为3.52%，而使用ν-SVR方法拟合钢铁需求精准度最高，平均误差仅为1.86%。比较结果说明使用ν-SVR方法拟合钢铁需求具备一定的可行性。

4.“十二五”期间中国钢铁需求预测

进一步选用“十二五”规划纲要提出的关于我国未来经济社会发展主要指标的数据见表1，根据训练得到的SVR模型对“十二五”期间我国的钢铁需求进行预测，结果如表4和图1所示。

表4：SVR预测“十二五”规划钢铁产量结果

从表4预测结果可以看出，我国在“十二五”期间的钢铁需求将稳步持续增长，2011年达到7.2亿吨，2015年突破10亿吨，年均增幅9.56%。

四、结论

本文利用SVR方法建立我国钢铁消费需求的预测模型，使用七个影响因素作为输入数据，钢铁消费需求作为输出数据，采用1985-2006年钢铁需求相关数据进行模拟与模型训练，然后选用2007-2010年的数据进行拟合验证，最后和BP神经网络以及GM方法的拟合结果进行比较。结果表明：支持向量回归机具有拟合精度高、解释性强等特点，其拟合平均误差仅为1.86%，拟合精度强于BP神经网络和GM预测方法。SVR方法克服了传统预测方法上数据不足、短期预测结果较佳而长期预测结果不准等缺陷，避免了主观因素的影响，方法虽然简单，但却非常有效，显然这种非参数方法可以有效的减少预测误差，提高钢铁需求拟合精度，因而具有一定的实际意义。

利用训练得到的SVR模型对2011-2015年 “十二五”期间的钢铁产量进行了预测，我国在“十二五”规划期间的钢铁需求将以每年9.56%的速度稳定增长，预计在2015年突破10亿吨。从预测的结果来看，在整个中国钢铁产能过剩的背景下达到10亿吨需求任重道远，没有相关政策的大力调整，没有政府职能的转变，没有技术水平的提升，没有管理水平的进步，很难达到这一目标。所以政府须改变只重短期成绩而不注重长期发展的执政理念，制定合理的经济发展政策，企业也应加大研发投入力度，改进管理水平，降低能源消耗，使中国钢铁行业能够持续、健康发展。

[1]龙宝林，叶锦华.我国钢铁及铁矿石需求预测[J].中国矿业，2010，19（11）：4-6.

[2]韦保仁，八木田浩史.中国钢铁年产量及其能源需求预测[J].中国冶金，2005，15（12）：14-17.

[3]Ding Y S，Song X P，Zen Y M.Forecasting financial condition of Chinese listed companies based on svm [J].Expert Systems with Applications，.2008，34（4）:3051-3059.

[4]Castro-Neo M，Jeong Y S，Jeong M K，et al.Online-SVR for short一term traffic flow prediction under typical and atypical conditions[J].Expert Systems with Applications，2009，36（3）:6164-6173，38-43.

[5]李凯，代丽华，韩爽.产业生命周期与中国钢铁产业极值点[J].产业经济研究，2005，（4）.

[6]杨建辉，李龙.基于SVR的期权价格预测模型[J].系统工程理论与实践，2011，31（5）：848-853.

[7]刘兰娟，谢美萍.非线性动态系统的递归神经网络预测研究-对我国钢铁产量的预测分析[J].财经研究，2004，30（11）：26-33.