崔 煜，丁 東，張 航

(哈爾濱工業(yè)大學(xué)[深圳]經(jīng)濟(jì)管理學(xué)院，廣東 深圳 518055)

0 引言

鋼鐵實際需求以及供需關(guān)系對于鋼材價格的影響是一個值得研究和關(guān)注的問題。對于鋼鐵企業(yè)，均衡的供需關(guān)系不僅能使社會經(jīng)濟(jì)健康發(fā)展，也可進(jìn)一步實現(xiàn)企業(yè)利潤最大化；對于中國宏觀經(jīng)濟(jì)發(fā)展，鋼鐵行業(yè)是實現(xiàn)我國國民經(jīng)濟(jì)高速發(fā)展的支柱產(chǎn)業(yè)。中國是世界產(chǎn)鋼大國，也是鋼鐵消費(fèi)大國，隨著中國對外開放的程度越來越高，國內(nèi)市場的供需穩(wěn)定對于世界來說也是至關(guān)重要的[1]。

關(guān)于如何量化鋼鐵實際需求，已有一些研究基礎(chǔ)。比如陳程 等[2]介紹了3種預(yù)測鋼材需求的方法，分別為鋼材消費(fèi)系數(shù)預(yù)測法[3]、分地區(qū)消費(fèi)預(yù)測法和下游行業(yè)消費(fèi)預(yù)測法[4]。其中，鋼材消費(fèi)系數(shù)預(yù)測法即基于鋼材消費(fèi)彈性系數(shù)與GDP增速和固定資產(chǎn)投資完成額增速的線性關(guān)系，并結(jié)合未來趨勢分析后設(shè)定系數(shù)，并給出高速、中速、低速3種國民經(jīng)濟(jì)發(fā)展?fàn)顩r預(yù)測[5]。下游行業(yè)消費(fèi)預(yù)測法則是根據(jù)用途和消費(fèi)領(lǐng)域不同，將國內(nèi)鋼材消費(fèi)分類，結(jié)合我國各下游用鋼行業(yè)發(fā)展趨勢、鋼材品種消費(fèi)特點(diǎn)進(jìn)行分析，最終給出2025年鋼材需求預(yù)測[6]。

本文借鑒之前研究的分析框架，并在方法上有所創(chuàng)新，在數(shù)值精確度上有更嚴(yán)格的要求。即結(jié)合鋼材下游行業(yè)以及宏觀經(jīng)濟(jì)背景將影響鋼材需求的多維度變量作為輸入，通過機(jī)器學(xué)習(xí)在多維空間構(gòu)造特征并訓(xùn)練，得到更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，形成更加精準(zhǔn)的鋼材實際需求計算系統(tǒng)。目前機(jī)器學(xué)習(xí)在計算機(jī)領(lǐng)域、統(tǒng)計學(xué)領(lǐng)域早已有非常豐富的研究成果，而且發(fā)展速度很快，在數(shù)據(jù)計算、多維數(shù)據(jù)擬合等方面，機(jī)器學(xué)習(xí)都表現(xiàn)出了明顯的優(yōu)勢。然而，目前在鋼鐵行業(yè)使用機(jī)器學(xué)習(xí)方法的研究還比較有限。

在學(xué)術(shù)研究層面，本文從研究鋼鐵實際需求這個角度率先對于前沿方法進(jìn)行應(yīng)用嘗試，一方面實現(xiàn)對于鋼鐵實際需求量判斷的又一計算方式補(bǔ)充；另一方面推動前沿算法技術(shù)對于傳統(tǒng)鋼鐵行業(yè)研究范式的升級優(yōu)化，以及機(jī)器學(xué)習(xí)與行業(yè)研究的進(jìn)一步融合。

在行業(yè)發(fā)展層面，本文對于鋼鐵實際需求量的研究計算，對鋼材市場的供需水平和價格變化的了解提供參考；從政府角度，可以為是否需要政策調(diào)控的決策提供研究支持；從行業(yè)協(xié)會角度，可以為如何組織產(chǎn)供需市場的調(diào)派提供數(shù)據(jù)指導(dǎo)；從企業(yè)角度，可以通過需求的預(yù)期靈活調(diào)整生產(chǎn)、采購、銷售等各環(huán)節(jié)的資源配置，提高市場競爭力，實現(xiàn)利潤最大化。

1 模型基本思路

本文算法的主要思路是將訓(xùn)練集的鋼鐵下游需求側(cè)以及宏觀經(jīng)濟(jì)面板數(shù)據(jù)轉(zhuǎn)化為輸入，利用GBDT[7]算法深度挖掘輸入變量間的非線性關(guān)系，并通過全連接網(wǎng)絡(luò)訓(xùn)練[8-10]與鋼材供給量構(gòu)造供需缺口，最終以鋼材價格漲跌作為最終輸出。通過模型的訓(xùn)練與評估，可得到用于測試集的模型結(jié)構(gòu)、參數(shù)和權(quán)重，并得到鋼材實際需求監(jiān)測預(yù)警模型，模型基本流程如圖1所示。

圖1 鋼材實際需求監(jiān)測預(yù)警模型基本流程

1.1 數(shù)據(jù)獲取

本文假設(shè)供需的缺口與商品價格變化之間有著強(qiáng)相關(guān)性，即在該假設(shè)下通過價格的變化幅度反向量化理論上的供求缺口的大小。本文認(rèn)為理論上的需求所涉及的影響因子主要來源于鋼鐵下游的重點(diǎn)行業(yè)，如房地產(chǎn)、建筑、機(jī)械制造、汽車制造、家電、造船以及能源等行業(yè)。

除了下游行業(yè)作為影響因子外，貨幣因素和宏觀因素也同樣重要。由于市場需求可以分為現(xiàn)實需求和潛在需求，轉(zhuǎn)化成需求量需要資金的支撐，這就是貨幣流動性對于鋼鐵需求重要的原因，所以本文納入M2和社會融資規(guī)模來反映宏觀貨幣端的變化。最后，由于鋼鐵行業(yè)需求的變化有明顯的季節(jié)性，因此在考慮特征時，時間變量也考慮其中。

1.2 數(shù)據(jù)預(yù)處理

由于特征之間存在著量綱的差異，為了消除這種差異，需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本文使用Z-score 標(biāo)準(zhǔn)化對數(shù)據(jù)進(jìn)行處理。

1.3 模型訓(xùn)練

在GBDT完成對特征的擴(kuò)充工作之后，經(jīng)過特征組合得出數(shù)據(jù)輸入給神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸訓(xùn)練。本文針對鋼鐵需求端的需求量預(yù)測使用的模型是全連接網(wǎng)絡(luò)模型(FCN)。

神經(jīng)網(wǎng)絡(luò)最后的輸出量y針對鋼鐵行業(yè)消費(fèi)端，也就是對消費(fèi)鋼材行業(yè)的各種因子進(jìn)行了特征提取，并縮減維度后的一維數(shù)據(jù)。本文希望鋼鐵的供求關(guān)系可以與鋼材價格指數(shù)的漲跌建立比例函數(shù)關(guān)系。所以目標(biāo)函數(shù)確定為擬合鋼鐵的需求供給差與鋼材價格指數(shù)同比之間的誤差，而這個誤差用均方誤差(MSE)表示。

(1)

網(wǎng)絡(luò)結(jié)構(gòu)由多層線性層組成，每一層分別用ReLU作為激活函數(shù)，并設(shè)置dropout以控制網(wǎng)絡(luò)的過擬合。最后一層輸出維度是1，即為需要求得的鋼鐵需求量。訓(xùn)練模型時使用Adam作為優(yōu)化器。

1.4 模型評估

本文從兩個維度對模型進(jìn)行評估。一方面，對模型本身的訓(xùn)練效果進(jìn)行評估；另一方面，采用供求缺口和價格漲跌的正確率對模型進(jìn)行評估。對于模型本身的訓(xùn)練效果，使用MSE來進(jìn)行評估，選擇MSE 較小的模型，是從數(shù)值角度對模型體系作出的判斷。將鋼材的產(chǎn)量和模型給出的需求量結(jié)果作差，可以計算出鋼材的供求差，若供求差大于0，即供給大于需求，則預(yù)示價格將要下跌，反之價格則要上漲。

(2)

2 實證分析

2.1 數(shù)據(jù)說明

本文特征體系的歷史數(shù)據(jù)來源于Wind數(shù)據(jù)庫，未來預(yù)測數(shù)據(jù)來源于騰景數(shù)科。數(shù)據(jù)均選取2008年1月—2021年10月的月度數(shù)據(jù)，共166個樣本。將數(shù)據(jù)進(jìn)行歸一化處理以消除量綱。本文對數(shù)據(jù)劃分訓(xùn)練集、驗證集和測試集。訓(xùn)練集從2008年1月—2020年7月，驗證集為2020年8月—2021年4月，測試集從2021年5—10月。為防止使用未來數(shù)據(jù)，使用訓(xùn)練集的均值和方差將全部數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化。為驗證模型對未來的預(yù)警性，作為測試集的輸入x，本文使用騰景數(shù)科在2021年4月發(fā)布的2021年5—10月的數(shù)據(jù)代替目前已經(jīng)發(fā)布的真實值，以得到對應(yīng)的預(yù)測結(jié)果。

2.2 基于GBDT 和 FCN 的模型系統(tǒng)效果分析

影響鋼材實際需求監(jiān)測預(yù)警模型的因素主要有：是否進(jìn)行特征組合、特征組合GBDT模型迭代次數(shù)、神經(jīng)網(wǎng)絡(luò)層數(shù)及形狀、是否添加隨機(jī)失活機(jī)制、訓(xùn)練次數(shù)及學(xué)習(xí)率。本文采用控制變量實驗針對不同的影響因素作出實驗分析，實驗結(jié)果中準(zhǔn)確率均為驗證集的結(jié)果計算出的供求缺口和價格漲跌的正確率。

根據(jù)實驗結(jié)果，選擇驗證集準(zhǔn)確率最高、MSE最小的參數(shù)組合，最終選擇的參數(shù)組合見表1。

表1 最終參數(shù)組合

選擇上述的參數(shù)組合進(jìn)行模型訓(xùn)練，最終得到的結(jié)果為：訓(xùn)練集準(zhǔn)確率為92.72%，驗證集準(zhǔn)確率為88.89%。

2.3 鋼材實際需求監(jiān)測預(yù)警模型擬合需求量與表觀消費(fèi)量的對比分析

鋼材實際需求擬合消費(fèi)量在同比值上與表觀消費(fèi)量波動方向類似，但波動幅度較表觀消費(fèi)量更加敏感。在絕對值上，與表觀消費(fèi)量相關(guān)性較強(qiáng)，在2015—2017年數(shù)值上有所偏差(見圖2)。

圖2 鋼材實際需求與表觀需求量對比圖

表觀消費(fèi)量的計算方法為：當(dāng)年進(jìn)口量-當(dāng)年出口量+當(dāng)年產(chǎn)量。在反映市場真實需求時，表觀消費(fèi)量存在兩大不足：一是大量的鋼材庫存被忽略，未能反映其中；二是由于計算公式中出口項前邊是負(fù)號，因此當(dāng)出口需求較大時很有可能對于實際需求量造成低估。本文通過將供需缺口與實際市場價格變化相綁定的做法，讓擬合的需求量更接近于直接影響價格變化的理論值，從而得到的數(shù)據(jù)顯示在供給側(cè)改革階段(2015—2017年)，鋼材實際需求擬合消費(fèi)量要高于公布的表觀消費(fèi)量。接下來，從鋼材庫存指標(biāo)和鋼材出口指標(biāo)為這段時間的價格偏差加以解釋。

2.3.1 鋼材庫存指標(biāo)與鋼材實際需求擬合消費(fèi)量

2015—2017年供給側(cè)改革使得鋼材產(chǎn)量增速放緩，表觀消費(fèi)量受到影響出現(xiàn)下行，但從鋼材庫存指標(biāo)來看，該時間段內(nèi)庫存出現(xiàn)大幅下滑，極大可能通過庫存彌補(bǔ)了實際需求造成表觀消費(fèi)量相較實際消費(fèi)量的低估。

為了證明鋼材實際需求擬合消費(fèi)量(以下簡稱擬合消費(fèi)量)在一定程度上彌補(bǔ)了表觀消費(fèi)量對于鋼材庫存的忽略，本文分析了擬合消費(fèi)量和表觀消費(fèi)量的差值。從年度數(shù)據(jù)來看，鋼材庫存年度同比和擬合消費(fèi)量與表觀消費(fèi)量之差的同比有非常強(qiáng)的負(fù)相關(guān)關(guān)系。當(dāng)擬合消費(fèi)量與表觀消費(fèi)量之差擴(kuò)大時，鋼材的庫存反而縮小。這表明：當(dāng)擬合消費(fèi)量相較表觀消費(fèi)量變大時，將伴隨著鋼材的大量出庫，出庫的鋼材對于市場需求提供了大量的補(bǔ)充，最終留存下來的庫存反倒較少。因此，鋼材庫存是擬合消費(fèi)量與表觀消費(fèi)量不同的重要原因，也證明了擬合消費(fèi)量相較于表觀消費(fèi)量更能反映真實需求。

2.3.2 鋼材出口與鋼材實際需求擬合消費(fèi)量

根據(jù)表觀需求量的計算公式，鋼材出口量是抵減項，代表在國內(nèi)生產(chǎn)量基礎(chǔ)上要扣減出口才能代表當(dāng)期國內(nèi)的需求。但出口也是拉動需求的一項重要因素，當(dāng)鋼材出口強(qiáng)勁時，實際市場需求是強(qiáng)烈的，如果通過表觀需求量減去強(qiáng)勁的出口，會造成嚴(yán)重低估實際市場需求的情況。從年度的鋼材出口和擬合消費(fèi)量與表觀需求量之差的對比可知，出口數(shù)量高時，會拉大擬合消費(fèi)量與表觀需求量的差距，因此一定程度上彌補(bǔ)了表觀需求量受計算方法所限而對于實際消費(fèi)量反映不足的缺陷。

2.4 鋼材實際需求監(jiān)測預(yù)警模型擬合需求量與需求指數(shù)結(jié)果

在模型擬合需求量的基礎(chǔ)上，為了方便后續(xù)研究，本文以2012年為基年構(gòu)造了鋼材實際需求指數(shù)。該指數(shù)以2012年作為定基時間點(diǎn)，2012年全年的平均月鋼材實際需求量為100，其他月份指數(shù)由相對于2012年月均鋼材消費(fèi)量計算得出。鋼材實際需求指數(shù)反應(yīng)的是擬合消費(fèi)量每月的情況。指數(shù)的變動反應(yīng)的是擬合消費(fèi)量變動的強(qiáng)弱，指數(shù)變動的方向反應(yīng)擬合消費(fèi)量的變動方向。在定基指數(shù)的基礎(chǔ)上可以繼續(xù)做同比或環(huán)比的計算研究。

2.5 預(yù)測數(shù)據(jù)描述

為了驗證鋼材實際需求監(jiān)測預(yù)警模型的預(yù)測功能，本文采用前期對于重要經(jīng)濟(jì)指標(biāo)的預(yù)測研究成果作為此次預(yù)測數(shù)據(jù)來源，對2021年5—10月鋼材實際需求量進(jìn)行預(yù)測。

總體而言，每個行業(yè)未來運(yùn)行態(tài)勢各異，各個行業(yè)不同的運(yùn)行態(tài)勢最終共同作用于鋼材的整體需求，當(dāng)一個行業(yè)的運(yùn)行態(tài)勢發(fā)生變化時，鋼材的整體需求也會隨之變動，因此行業(yè)的歷史數(shù)據(jù)和預(yù)測數(shù)據(jù)都對模型整體起到至關(guān)重要的作用。

2.6 系統(tǒng)模型的預(yù)警性及結(jié)果

模型訓(xùn)練完成后，將未來預(yù)測數(shù)據(jù)納入訓(xùn)練得到未來的鋼材需求量，結(jié)果見表2。

表2 擬合鋼材需求量及需求指數(shù)

根據(jù)供求關(guān)系，運(yùn)用擬合需求量和鋼材產(chǎn)量推導(dǎo)出的價格漲跌和實際價格漲跌情況見表3。

表3 推導(dǎo)價格與實際價格對比

根據(jù)上述結(jié)果可知，模型系統(tǒng)對于未來的鋼材價格漲跌情況有很好的預(yù)警性，使用預(yù)測數(shù)據(jù)對未來的鋼材價格判斷準(zhǔn)確率可達(dá)83.3%。2021年7月判斷錯誤主要源于2021年情況較為特殊，作為“碳達(dá)峰元年”限產(chǎn)政策陸續(xù)落實，再加之上半年原材料價格瘋漲而擠壓中下游利潤。6—7月徐州鋼廠、寧夏中衛(wèi)鐵合金及鋼廠、唐山燒結(jié)機(jī)等均再次限產(chǎn)，江蘇、浙江等地也有類似儲備限產(chǎn)措施。在限產(chǎn)作用下，鋼鐵持續(xù)擠占上游鐵礦利潤，毛利率提升空間大且具有持續(xù)性，行業(yè)經(jīng)歷前所未有之變局。

3 政策建議

根據(jù)本文研究內(nèi)容，提出以下3點(diǎn)政策建議。

1)國家和政府發(fā)揮好“指揮”和“協(xié)調(diào)”的宏觀政府職能，對惡意影響市場價格的行為進(jìn)行及時監(jiān)管，保證供需的動態(tài)平衡和長效平衡。建議行業(yè)協(xié)會等社會組織要著力維護(hù)鋼鐵行業(yè)和相關(guān)行業(yè)的市場經(jīng)濟(jì)秩序，推進(jìn)公平、公正、有序的市場競爭。鋼鐵企業(yè)要建立科學(xué)完善的價格決策機(jī)制以及適應(yīng)市場變化的價格運(yùn)行體系。

2)開拓國外市場，形成全球化布局，發(fā)揮我國在鋼鐵行業(yè)上的領(lǐng)先優(yōu)勢，通過開放的國際市場進(jìn)一步實現(xiàn)良性的經(jīng)濟(jì)循環(huán)。優(yōu)化出口鋼材的產(chǎn)品結(jié)構(gòu)，增加國際市場競爭力，促進(jìn)國內(nèi)產(chǎn)品技術(shù)的革新升級，進(jìn)一步實現(xiàn)高質(zhì)量發(fā)展。

3)推進(jìn)前沿智能技術(shù)與行業(yè)決策研究的融合。積極鼓勵跨學(xué)科領(lǐng)域的創(chuàng)新并予以較高關(guān)注；重視培養(yǎng)鋼鐵行業(yè)與人工智能技術(shù)雙重技能的人才；重視行業(yè)數(shù)據(jù)的準(zhǔn)確性、及時性和適度公開性，為進(jìn)一步創(chuàng)新開發(fā)提供研究素材。