3、需求预测基础：需求预测的基本概念、预测类型（定性/定量）、预测误差、需求计划在矿业企业中的角色
矿业企业的生产经营活动始于对市场需求的判断。无论是露天矿的剥采计划、选矿厂的入选品位调配，还是精矿产品的长协谈判与现货销售，都需要回答一个核心问题：未来一段时间内，市场需要多少吨、什么品位的产品？需求预测正是回答这一问题的系统性方法。它不是简单的“拍脑袋估个数”，而是综合历史数据、市场情报、统计模型与业务判断的决策支持过程。在矿产需求计划与资源衔接体系中，需求预测是资源衔接的“输入源头”——预测的精度直接决定了采矿计划、选矿计划、库存策略与物流安排的合理性。
3.1 需求预测的基本概念与核心原理
需求预测（Demand Forecasting）是指基于历史数据、市场信号和业务判断，对未来特定时间段内产品或服务的需求量进行估计的过程。在矿业语境下，需求量通常以吨（t）、金属量（t或oz）、品位（%或g/t）以及产品结构（精矿、冶炼产品、伴生元素）为计量维度。预测的时间跨度可分为短期（日/周/月，用于排产与物流）、中期（季度/年度，用于预算与资源衔接）和长期（3-10年，用于矿山开发与产能投资）。
需求预测的核心原理可以概括为三点：惯性原理（历史趋势在一定条件下延续）、因果原理（需求受下游行业、价格、政策等可识别因素驱动）、系统性原理（预测不是单一数字，而是一组概率区间与情景假设）。矿业需求预测的特殊性在于：产品标准化程度低（不同矿山品位差异大）、下游传导链条长（从终端消费到矿山采购需经过冶炼、加工、贸易等多个环节）、且受宏观周期影响显著。
3.2 预测类型：定性预测与定量预测
根据预测依据的不同，需求预测可分为定性预测与定量预测两大类。两类方法并非互斥，在实际矿业需求计划中通常组合使用。
3.2.1 定性预测方法
定性预测依赖专家判断、市场调研与经验类比，适用于历史数据不足、市场结构剧变或新产品导入场景。常用方法包括：
- 德尔菲法（Delphi Method）：组织行业专家多轮匿名反馈，收敛形成一致判断。适用于长期需求展望（如新能源矿产2030年需求预测）。
- 市场调研法：直接访谈下游冶炼厂、贸易商、终端用户，收集采购意向与库存计划。适用于中短期需求修正。
- 类比法：参考类似矿种、类似发展阶段或类似经济体的需求路径进行推演。适用于新兴矿产（如锂、钴、稀土）。
- 情景分析法：设定不同宏观情景（如经济复苏/衰退、政策收紧/放松），分别给出需求区间。
3.2.2 定量预测方法
定量预测基于历史数据和统计模型，可重复、可检验，是矿业需求计划的主体方法。
| 方法类别 | 代表模型 | 适用场景 | 数据要求 | 矿业应用示例 |
|---|---|---|---|---|
| 时间序列 | 移动平均、指数平滑、ARIMA | 短期需求稳定、季节性明显 | ≥24个月历史数据 | 铜精矿月度发货量预测 |
| 回归分析 | 一元/多元线性回归、非线性回归 | 需求与可量化因素强相关 | 自变量数据完整 | 铁矿石需求 vs 粗钢产量 |
| 机器学习 | 随机森林、XGBoost、LSTM | 多变量交互、非线性关系 | 大数据量、特征工程 | 多因素驱动的锂盐需求预测 |
| 投入产出法 | 行业关联矩阵 | 产业链传导分析 | 国家/行业投入产出表 | 新能源政策对铜需求传导测算 |
3.3 预测误差：度量、来源与控制
预测误差（Forecast Error）是预测值与实际值之间的偏差。误差不可避免，但可以通过系统化管理将其控制在可接受范围内。矿业企业常见的预测误差来源包括：
- 数据质量缺陷：历史销量数据口径不一致（如含税/不含税、湿吨/干吨）、部分月份数据缺失。
- 模型假设失效：市场结构突变（如新冶炼产能投产、环保限产）、政策调整（如出口关税变化）。
- 信息滞后：下游客户临时调整采购计划、港口物流受阻导致发货延迟。
- 人为偏差：销售团队过度乐观/悲观、管理层干预预测结果。
预测误差的度量指标已在SVG图中列出，其中MAPE（平均百分比误差）是矿业企业最常用的监控指标。误差分析应遵循“月度监控、季度复盘、年度校准”的节奏。当MAPE连续三个月超过10%时，应启动模型重新拟合或方法切换。
3.4 需求计划在矿业企业中的角色
需求计划（Demand Planning）是将需求预测转化为可执行的生产与供应计划的过程。在矿业企业中，需求计划处于“市场-生产-资源”三角关系的枢纽位置。其核心角色体现在以下四个维度：
- 资源衔接的输入源：需求计划决定了采矿场应出矿多少吨、什么品位，选矿厂应处理多少原矿、产出多少精矿。没有需求计划，资源衔接就是“无源之水”。
- 库存与物流的调节器：需求计划指导成品库存目标设定、港口堆场容量安排、铁路/海运运力预订。合理的需求计划可降低库存持有成本约8%-15%。
- 长协履约的保障：矿业企业通常签订年度或多年期长协合同，需求计划需将长协量作为“刚性需求”优先保障，现货量作为“弹性需求”灵活调整。
- 投资决策的参考系：中长期需求计划为矿山扩建、选厂技改、物流基础设施投资提供需求侧依据。
案例拆解：某铁矿企业需求预测与资源衔接联动实践
背景与约束：某大型铁矿企业（年产能2000万吨铁精矿）面临下游钢厂客户需求波动大、港口库存容量有限（仅80万吨）、铁路运力每天固定5列（每列1.2万吨）的约束。2023年Q1实际销量比预测值低12%，导致港口库存逼近上限，被迫减产。
初始现象与目标：企业发现原有预测方法（仅用去年同期销量+10%增长）无法反映下游钢厂因环保限产导致的采购节奏变化。目标是将月度预测MAPE从15%降至8%以内，并建立库存预警机制。
关键输入数据：
- 历史36个月销量数据（含月度季节性因子）
- 下游5家主要钢厂的粗钢产量月度数据
- 港口库存每日数据（80万吨上限）
- 铁路发运计划（每天5列，可临时加1列但成本增加20%）
分析判断过程：计划团队采用“回归分析+情景修正”的组合方法。首先建立铁精矿销量与下游粗钢产量的回归模型（R²=0.82），发现粗钢产量每变动1%，铁精矿需求变动0.7%。然后结合环保限产政策信息，设定乐观（限产解除）、基准（维持现状）、悲观（限产加严）三档情景。同时建立库存预警线：当库存超过60万吨时，启动“减产+增加铁路列次”的应急预案。
实际操作步骤：
- 每月25日收集下游钢厂下月生产计划，更新回归模型输入。
- 根据模型输出与销售团队定性判断，确定下月需求预测区间。
- 将预测结果转化为采矿计划（出矿量、品位）与选矿计划（处理量、精矿品位）。
- 每日监控港口库存，当库存超过65万吨时，自动触发铁路加列申请。
结果对比：实施新方法3个月后，月度MAPE从15%降至7.2%；港口库存波动幅度从±25万吨收窄至±10万吨；未再发生因库存超限导致的减产事件。铁路加列次数从每月平均4次降至1次，物流成本下降约6%。
风险与代价：回归模型在粗钢产量数据滞后一个月发布时，预测精度会下降；情景设定依赖政策信息获取的及时性。为此，企业建立了与钢厂的信息共享机制，并每周跟踪环保政策动态。
复盘经验：需求预测不是一次性工作，而是需要持续迭代的闭环过程。矿业企业应建立“预测-执行-监控-修正”的月度循环机制，并将预测误差分析纳入部门绩效考核。
3.5 常见误区与总结复盘
在矿业需求预测实践中，以下误区值得警惕：
- 误区一：追求“精确的一个数”。需求预测本质是概率分布，应提供区间而非单点。建议输出“基准值±10%”的区间，并明确置信水平。
- 误区二：忽视预测误差的代价不对称性。在矿业中，缺货的代价通常高于过剩的代价（因为停产损失巨大）。因此，在设定预测值时，可适当偏向“保守偏高”策略。
- 误区三：将预测与计划混为一谈。预测是对未来的判断，计划是基于预测做出的行动承诺。计划应包含应对预测偏差的弹性措施（如备用供应商、调节库存）。
- 误区四：只关注“量”不关注“质”。矿业需求不仅包括数量，还包括品位、杂质含量、粒度等质量指标。预测时应同时考虑质量维度的需求变化。