中国2025—2035年碳酸锂需求预测

doi:10.11867/j.issn.1001-8166.2023.011

中国2025—2035年碳酸锂需求预测

——基于灰色关联分析和ARIMA-GM-BP神经网络的组合模型

郑明贵^,¹^,², 于明^,¹, 范秋蓉¹, 林玉华¹

1.江西理工大学矿业发展研究中心，江西赣州 341000

2.中国科学技术大学管理学院，安徽合肥 230026

China’s Lithium Carbonate Demand Forecast 2025-2035

—A Combined Model Based on Grey Correlation Analysis and the ARIMA-GM-BP Neural Network

ZHENG Minggui^,¹^,², YU Ming^,¹, FAN Qiurong¹, LIN Yuhua¹

1.Research Center of Mining Development, Jiangxi University of Science and Technology, Ganzhou Jiangxi 341000, China

2.The School of Management, University of Science and Technology of China, Hefei 230026, China

通讯作者: 于明（1996-），男，黑龙江绥化人，硕士研究生，主要从事资源经济与管理等方面的研究. E-mail：ym_2353@163.com

收稿日期: 2022-10-18 修回日期: 2022-12-15

基金资助:

国家社会科学基金项目“中国战略性矿产资源产业链供应链安全稳定战略研究（2025—2060）”. 22XGL003
江西省高校人文社会科学重点研究基地江西理工大学矿业发展研究中心2022年度重大招标课题“突发环境下战略性矿产资源产业战略管理理论与方法”. KYZX2022-1

Corresponding authors: YU Ming (1996-), male, Suihua City, Heilongjiang Province, Master student. Research areas include resource economy and management. E-mail:ym_2353@163.com

Received: 2022-10-18 Revised: 2022-12-15

作者简介 About authors

郑明贵（1978-），男，安徽颍上人，教授，主要从事资源经济与管理方面的教学与研究工作.E-mail：mgz268@sina.com

ZHENGMinggui(1978-),male,YingshangCity,AnhuiProvince,Professor.Researchareasincluderesourceeconomyandmanagement.E-mail:mgz268@sina.com

摘要

碳酸锂供需矛盾日益突出，科学预测未来中国碳酸锂需求量，对碳酸锂生产、进出口计划以及国家能源政策的制定具有重要意义。结合基于灰色关联分析和ARIMA-GM-BP神经网络的组合模型，选取2002—2021年中国人均GDP、产业结构、城镇化率、润滑脂产量、陶瓷产量、玻璃产量、空调产量、锂离子电池产量和新能源汽车产量作为需求情景预测的主要驱动变量，对中国2025—2035年碳酸锂需求进行预测，在此基础上提出了针对性的政策建议。结果表明：所选取的驱动变量与碳酸锂需求具有较高的关联性，且组合模型较单一模型预测精度更高。3种情景下2025年、2030年和2035年预测的碳酸锂需求量均值分别为42万t、69万t和103万t。

关键词： ARIMA-GM-BP模型 ; 碳酸锂需求 ; 情景分析

Abstract

The inconsistency between the supply and demand of lithium carbonate is becoming increasingly serious. Scientific prediction of the future lithium carbonate demand is of great significance for China’s lithium resource production, import and export arrangements, and national energy policy formulation. Based on a combined model of grey correlation analysis and the ARIMA-GM-BP neural network, data on the driving variables of China’s per capita GDP, industrial structure, urbanization level, grease production, ceramic production, glass production, air conditioning production, lithium-ion battery production, and new energy vehicle production in 2002-2021 were selected to predict China’s lithium carbonate resource demand between 2025 and 2035. The results show that the selected driving variables are highly correlated with China's lithium carbonate resource demand, and the combined model is more accurate than a single model. The predicted average quantity demand for lithium carbonate in 2025, 2030, and 2035 is 0.42 million tons, 0.69 million tons, and 1.03 million tons, respectively. Accordingly, some policy suggestions have been proposed.

Keywords： ARIMA-GM-BP model ; Lithium carbonate demand ; Scenario analysis

PDF (2129KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

郑明贵, 于明, 范秋蓉, 林玉华. 中国2025—2035年碳酸锂需求预测. 地球科学进展[J], 2023, 38(4): 377-387 DOI:10.11867/j.issn.1001-8166.2023.011

ZHENG Minggui, YU Ming, FAN Qiurong, LIN Yuhua. China’s Lithium Carbonate Demand Forecast 2025-2035. Advances in Earth Science[J], 2023, 38(4): 377-387 DOI:10.11867/j.issn.1001-8166.2023.011

1 引言

锂作为中国24种战略性矿产之一，是新能源产业链的关键上游原料，战略地位极高。《2021中国锂电产业发展指数白皮书》指出，中国已经成为世界最大的锂消费市场，2021年世界锂电池市场规模达到545 GWh，而中国锂电池市场规模约为324 GWh，约占全球市场的59.4%。截至2021年底，中国动力电池产能约占全球的70%。随着碳酸锂需求猛增，供需矛盾日益尖锐。我国锂资源储量丰富，但供应能力较弱、供需缺口大、对外依存度高，供应体系存在较大的安全隐患，而碳酸锂供应稳定是关乎新能源产业稳定发展的关键因素。对中国未来碳酸锂需求情景进行分析，对国家新能源产业发展及政策制定具有重要的参考意义。

碳酸锂需求预测方法主要分为两大类：一是通过部门消费分析法对各消费部门进行分析，以此预测需求变化趋势^［1］。但部门消费分析法对各部门之间所存在的联系考虑较少^［2］。二是建立数学预测模型，利用数据分析碳酸锂需求变化规律，并对未来需求进行预测。目前主流预测模型主要有：系统动力学模型^［3］、动态MFA模型^［4］、ARIMA模型^［5］、BP神经网络模型^［6］和灰色预测模型GM（1，1）^［7］等，其中ARIMA模型和灰色预测模型GM（1，1）对平稳序列线性关系拟合效果较为显著^［8］，BP神经网络模型在处理非线性数据方面具有强大的优势^［9］，常用于中长期预测^［10］。

由于各种计量模型的建模机理和信息呈现角度不同，单一模型反映数据信息有局限性，相比组合模型精度不高^［11］。近年来大量学者在预测时采用组合模型，如王翀^［12］通过Shapley模型将协整分析、灰色关联和指数平滑3种预测模型进行组合，综合预测我国能源消费需求趋势；赵亚伟等^［13］通过将K-NN模型和BP神经网络模型组合实现了多维时间序列预测；翟静等^［14］将时间序列ARIMA模型和BP神经网络模型相结合，证实了ARIMA-BP组合预测模型在预测精度方面总体优于这2个单项预测模型；彭乃驰等^［15］建立了ARMA-GM-BP组合预测模型预测中国GDP，并证实组合模型拟合及测试效果比单独利用ARMA、灰色预测模型GM（1，1）的效果要好，精度更高。

综合运用ARIMA模型、灰色预测模型GM（1，1）和BP神经网络模型进行情景分析的研究较少，尤其将其应用于碳酸锂需求情景预测的研究尚未见到。本文拟建立了ARIMA-GM-BP神经网络组合预测模型，选取中国人均GDP、产业结构、城镇化水平、润滑脂产量、陶瓷产量、玻璃产量、空调产量、锂离子电池产量和新能源汽车产量为主要驱动变量，预测中国2025—2035年不同情景下的碳酸锂需求量。

本文可能的边际贡献： $①$ 通过文献分析并结合经济理论，选取了影响中国碳酸锂需求的9个驱动变量，采用灰色关联分析法论证驱动变量的重要程度，使驱动变量选取更具客观性。 $②$ 通过建立数学模型对中国碳酸锂需求进行预测，使预测结果更具科学性，为中国碳酸锂需求预测提供了新思路。建立ARIMA-GM-BP神经网络组合预测模型，与单一模型相比提高了预测精度；对中国碳酸锂需求情景进行了定义，设置了主要驱动变量2025—2035年情景，并利用组合预测模型进行了情景预测。上述研究工作丰富并拓展了需求情景预测领域的研究文献。

2 研究方法与数据来源

2.1　研究方法

ARIMA模型能够根据时间序列数据信息，反映动态数据变化规律，对未来趋势进行预测；灰色预测模型GM（1，1）适合于解决信息量少、数据呈近似指数增长趋势、具有不确定性的小样本预测问题。二者在预测模型中处理数据的线性相关性效果较好，但处理非线性数据效果一般。BP神经网络可以将数据信息的多维映射关系可视化，并做到数据信息前向传播、残差反向反馈，在处理非线性数据上效果较好^［16］。

仅用ARIMA模型、灰色预测模型GM（1，1）和BP神经网络模型在预测中可能出现残差较大的情况，而将ARIMA模型和灰色预测模型GM（1，1）的线性预测优势以及BP神经网络模型的非线性预测优势结合起来，可以提高模型预测精度。因此，本文选用基于残差优化的ARIMA-GM-BP神经网络组合模型对中国2025—2035年碳酸锂需求进行预测，即分别将ARIMA模型和灰色预测模型GM（1，1）残差作为修正数据与原驱动变量数据带入BP神经网络模型进行预测^［15］。

2.2　驱动变量选择与样本数据

本文数据主要来源于联合国商品贸易统计数据库（UN Comtrade）、美国地质调查局（United States Geological Survey，USGS）、安泰科（Antaike）、万得数据库（Wind）和英国罗斯基尔信息服务有限公司（Roskill）等公司年报与行业分析报告。

通过文献分析并结合经济理论，确定影响中国碳酸锂需求的主要驱动变量为： $①$ 中国人均GDP。根据需求定律，中国人均GDP是影响碳酸锂需求的重要因素。 $②$ 产业结构（第二产业增加值/GDP）。碳酸锂主要应用于工业领域，产业结构是影响碳酸锂需求的因素。 $③$ 城镇化率。城镇化进程推动基础设施建设，促进交通、电子产品、建筑等行业发展，影响碳酸锂需求。 $④$ 润滑脂产量。我国工业化进程不断发展，润滑脂产量呈较快速度增长，约占中国锂资源消费的8%。 $⑤$ 陶瓷产量。中国陶瓷产业规模巨大，稳中向好，中国锂资源消费中约10%用于玻璃陶瓷领域。 $⑥$ 玻璃产量。我国是全球玻璃产量最大的国家，目前中国锂资源消费中约10%用于玻璃陶瓷领域。 $⑦$ 空调产量。中国锂资源消费中用于空气处理领域约占8%，广泛应用于空调生产中。 $⑧$ 锂离子电池产量。便携电子设备锂离子电池领域曾是锂消费的主体，随着便携设备产品不断升级，对电池容量要求也越来越高，单位电池的用锂量将保持稳定增长。 $⑨$ 新能源汽车产量。新能源汽车已成为未来锂消费量增加的主要领域，其产量在碳酸锂需求中起着重要作用。

为进一步验证驱动变量选取的可行性，还需利用统计方法对数据进行检验。本文通过SPSS软件将9个驱动变量20年数据进行无量纲化处理后，利用灰色关联分析模型进行分析，分辨系数p取0.5，计算公式为：

ζ_{i} (k) = \frac{\underset{i}{m i n} \underset{k}{m i n} |x_{0} (k) - x_{i} (k)| + p \cdot \underset{i}{m a x} \underset{k}{m a x} |x_{0} (k) - x_{i} (k)|}{|x_{0} (k) - x_{i} (k)| + p \cdot \underset{i}{m a x} \underset{k}{m a x} |x_{0} (k) - x_{i} (k)|}

式中：p为分辨系数； $ζ$ 为灰色关联度； $x_{0}$ 为样本母序列；k=1，2，…，20；i=1，2，…，9。计算结果如表1所列。

表1 中国碳酸锂需求驱动变量灰色关联度

Table 1 Grey correlation degree of lithium carbonate demand driving variables in China

变量	关联度	重要程度
中国人均GDP	0.978	1
新能源汽车产量	0.972	2
玻璃产量	0.961	3
空调产量	0.854	4
润滑脂产量	0.845	5
产业结构	0.798	6
锂离子电池产量	0.776	7
城镇化率	0.762	8
陶瓷产量	0.693	9

新窗口打开| 下载CSV

由表1可知，驱动变量关联度按大小排序为：人均GDP、新能源汽车产量、玻璃产量、空调产量、润滑脂产量、产业结构、锂离子电池产量、城镇化率、陶瓷产量，关联度均大于0.5通过可行性检验，驱动变量选取合理，驱动变量及碳酸锂需求量原始数据如表2所列。

表2 中国碳酸锂需求量及影响因素原始数据（2002—2021年）

Table 2 Raw data of lithium carbonate demand and influencing factors in China （2002-2021）

年份	中国人均GDP/万元	产业结构占比/%	城镇化率/%	润滑脂产量/万t	陶瓷产量/亿m²	玻璃产量/亿m²	空调产量/亿台	锂离子电池产量/亿只	新能源汽车产量/万辆	中国碳酸锂需求量/万t
2002	0.95	44.50	39	8.65	26.83	0.35	0.31	2.72	0.26	1.34
2003	1.07	45.60	41	10.34	32.50	0.47	0.48	4.46	0.31	1.73
2004	1.25	45.90	42	12.05	39.85	0.69	0.64	6.30	0.36	1.85
2005	1.44	47.00	43	13.48	41.82	0.94	0.68	8.72	0.43	2.17
2006	1.67	47.60	44	27.86	43.12	1.31	0.69	10.51	0.60	2.48
2007	2.05	46.90	46	34.21	50.13	1.76	0.80	13.60	0.53	2.76
2008	2.41	47.00	47	32.52	57.64	1.81	0.81	10.33	0.62	2.81
2009	2.62	46.00	48	38.01	64.28	1.49	0.81	18.75	0.67	2.03
2010	3.08	46.50	50	46.82	75.76	2.24	1.09	26.87	0.72	3.58
2011	3.63	46.50	51	45.04	87.01	2.65	1.39	29.66	0.84	3.68
2012	3.98	45.40	53	42.23	89.93	2.95	1.33	41.78	1.26	5.50
2013	4.35	44.20	54	45.03	96.91	3.29	1.43	47.68	1.75	6.30
2014	4.69	43.10	55	42.02	102.32	4.20	1.57	52.87	7.85	6.58
2015	4.99	40.80	56	40.12	101.85	4.55	1.56	55.98	34.05	5.15
2016	5.38	39.60	57	40.80	102.61	5.29	1.60	78.42	51.60	7.38
2017	5.96	39.90	59	40.81	101.48	5.36	1.80	117.90	79.40	11.22
2018	6.55	39.70	60	38.26	90.11	4.71	2.05	139.90	127.05	13.40
2019	7.01	39.00	61	43.27	82.23	5.26	2.19	157.20	124.19	17.84
2020	7.18	37.80	64	43.00	85.72	5.33	2.11	188.50	136.60	22.96
2021	8.10	39.40	65	38.86	81.74	6.19	2.18	232.60	309.00	25.64

新窗口打开| 下载CSV

3 情景预测

3.1　预测模型选择

3.1.1　ARIMA模型

由图1可知，原始数据不是随机序列，含有指数增长趋势。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 2002—2021年中国碳酸锂需求量变化

Fig. 1 Change of lithium carbonate demand in China from 2002-2021

首先对表2原始数据取自然对数并进行ADF（Augmented Dickey-Fuller）检验以判断数据的平稳性，检验结果如表3所列。由此可知，中国碳酸锂需求量在一阶差分下平稳，确定差分次数d为1。对该序列进行白噪声检验，显示为非白噪声序列，因此可以进行建模。

表3 中国碳酸锂需求量ADF检验结果

Table 3 Results of ADF test on lithium carbonate demand in China

检验统计量	一阶差分ADF检验统计量	测试临界值
检验统计量	一阶差分ADF检验统计量	1%置信水平	5%置信水平	10%置信水平
t统计量	-5.050 458	-3.857 386	-3.040 391	-2.660 551
p值	0.000 9

新窗口打开| 下载CSV

其次，进行相关性和偏相关性分析。初步确定自回归阶数p为1，移动平均阶数q为1、2、3。经过多次试验，当q取1时，ARIMA（1，1，1）模型的参数最优，确定模型为ARIMA（1，1，1）模型。

最后，对模型进行检验和拟合以判断模型的有效性。对ARIMA（1，1，1）模型残差进行相关性和偏自相关检验，检验结果均不显著，残差为纯随机残差，模型信息提取充分。对中国2002—2021年碳酸锂需求进行拟合，结果如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 ARIMA（1，1，1）模型预测拟合图

Fig. 2 Fitting curve of ARIMA（1，1，1） model prediction

由图2可知，ARIMA（1，1，1）模型预测拟合在2002—2017年残差较小，2018年之后残差偏大，拟合效果一般，因此中国碳酸锂需求预测依靠单一ARIMA模型预测残差较大，故将ARIMA（1，1，1）模型预测残差作为修正值带入BP神经网络中以提高预测精度。

3.1.2　灰色预测模型GM（1，1）

利用SPSS19.0软件对中国碳酸锂需求构建灰色预测模型GM（1，1），首先进行级比值检验，判断数据序列进行建模的适用性；其次将原数据进行平移转换。平移转换后的数据级比检验值λ₁ 均在标准范围［0.909，1.100］内，进而构建灰色预测模型GM（1，1）。计算结果显示，发展系数a为-0.02，灰色作用量b为48.11，后验差比C值为0.21<0.35，小残差概率p值为0.85<0.95，精度符合要求。故用该模型对中国2002—2021年碳酸锂需求进行拟合，结果如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 灰色预测模型GM（1，1）预测拟合图

Fig. 3 Fitting curve of grey prediction model GM（1，1）

由图3可知，灰色预测模型GM（1，1）预测拟合效果一般，因此中国碳酸锂需求预测依靠单一灰色预测模型GM（1，1）预测残差较大，故将灰色预测模型GM（1，1）拟合残差作为修正值带入BP神经网络以提高预测精度。

3.1.3　ARIMA-GM-BP组合模型

使用MATLAB软件构建BP神经网络，编程函数为newff函数。将表2原始数据归一化处理，确定隐含层节点为6，设置学习步数为50 000，学习速率为0.1，最大残差为0.001，建立11-6-1的BP神经网络模型。将ARIMA模型预测残差、灰色预测模型GM（1，1）预测残差、人均GDP、产业结构、城镇化率、润滑脂产量、陶瓷产量、玻璃产量、空调产量、锂离子电池产量、新能源汽车产量作为输入，碳酸锂需求量作为输出，进行模型训练，并对中国2002—2021年碳酸锂需求进行拟合，结果如图4所示。由此，通过ARIMA模型和灰色预测模型GM（1，1）残差修正后的BP神经网络模型拟合值与实际值接近程度高，满足要求。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 BP神经网络预测拟合图

Fig. 4 Fitting curve of BP neural network prediction

3.1.4　ARIMA-BP和GM-BP组合模型

ARIMA-BP和GM-BP组合模型构建方法与上述组合模型相同，使用MATLAB软件构建BP神经网络，编程函数为newff函数。将表2原始数据进行归一化处理，确定隐含层节点为6，设置学习步数为50 000，学习速率为0.1，最大残差为0.001，建立10-6-1的BP神经网络模型。分别将ARIMA预测残差、GM（1，1）预测残差作为ARIMA-BP模型和GM-BP模型的输入变量与原驱动变量一起进行BP神经网络模型训练。

3.1.5　不同预测模型比较

利用ARIMA模型、灰色预测模型GM（1，1）、BP神经网络以及3个组合模型分别对中国碳酸锂需求进行拟合预测，对比各预测模型相对残差（图5）。由图5可知，组合预测模型比单一预测模型精确度更高，ARIMA-GM-BP组合模型预测相对残差最小。因此，本文选择ARIMA-GM-BP组合模型对中国碳酸锂需求进行情景预测。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 6种模型预测相对残差

Fig. 5 Relative residuals predicted by six models

3.2　情景设置

3.2.1　中国碳酸锂需求情景定义

根据驱动变量设置以下3种情景。

高情景（A）：2025—2035年，俄乌冲突得以缓解，新冠肺炎得到有效控制，全球经济增长速度较快，中国经济继续保持高速增长，碳酸锂需求快速增长。

基准情景（B）：2025—2035年，全球经济增长速度增幅不大但趋于稳定，中国经济稳中求进，碳酸锂需求持续增长。

低情景（C）：2025—2035年，俄乌冲突进一步升级、新冠病毒进一步变异扩散蔓延且愈发严重，全球经济持续低迷，中国经济减速增长，碳酸锂需求增长稳定。

3.2.2　驱动变量2025—2035年情景设置

（1）中国人均GDP

俄乌冲突以及新冠疫情阻碍贸易和投资并对经济造成严重冲击，中国经济发展面临着较大的不确定性。中国社会科学院宏观经济研究中心课题组^［17］预测中国GDP增长率2025年、2030年和2035年在高情景下分别为5.8%、5.4%和5.0%；在基准情景下分别为5.5%、4.8%和4.3%；在低情景下分别为5.1%、4.3%和3.6%。根据联合国经济和社会事务部最新发布的《世界人口展望2022》^［18］，预测中国人口数量2025年、2030年和2035年在高情景下分别为14.33亿、14.38亿和14.39亿人；在基准情景下分别为14.24亿、14.16亿和14亿人；在低情景下分别为14.16亿、13.91亿和13.55亿人。参考上述预测并结合目前俄乌冲突和新冠疫情对经济的影响，设置中国人均GDP 2025—2035年情景（表4）。

表4 中国人均GDP 2025—2035年情景设置

Table 4 Scenario setting of China’s per capita GDP from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	GDP增长率/%	人均GDP/万元	GDP增长率/%	人均GDP/万元	GDP增长率/%	人均GDP/万元
2025年情景	5.3	8.90	4.8	8.77	4.3	8.65
2030年情景	4.8	11.25	4.3	10.83	3.8	10.42
2035年情景	4.3	13.89	3.8	13.37	3.3	12.86

新窗口打开| 下载CSV

（2）产业结构

中国产业结构处于升级调整时期，第一产业和第二产业比重逐年下降，第三产业比重逐年上升。吴青龙等^［19］将2030年中国产业结构优化后的第二产业比重设定38.7%为低速率，30%为高速率，其均值为中速率；中国社会科学院宏观经济研究中心课题组^［17］预测基准情景下，2025年、2030年和2035年第二产业结构占比分别为36.09%、33.87%和31.69%。参考上述预测设置中国产业结构2025—2035年情景（表5）。

表5 中国产业结构2025—2035年情景设置

Table 5 Scenario setting of China’s industrial structure from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	产业结构增长率/%	产业结构/%	产业结构增长率/%	产业结构/%	产业结构增长率/%	产业结构/%
2025年情景	-2.4	34.72	-1.4	36.09	-0.7	38.89
2030年情景	-2.8	30.04	-1.87	33.87	-1.3	36.35
2035年情景	-3.3	28.67	-2.3	31.69	-1.8	34.31

新窗口打开| 下载CSV

（3）城镇化率

根据中国社会科学院宏观经济研究中心课题组^［17］预测，在基准情景下2025年、2030年和2035年城镇化率分别为65.85%、69.64%和72.62%；同时参照吴青龙等^［19］的研究，设置中国城镇化率2025—2035年情景（表6）。

表6 中国城镇化率2025—2035年情景设置

Table 6 Scenario setting of China’s urbanization rate from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	城镇化增长率/%	城镇化率/%	城镇化增长率/%	城镇化率/%	城镇化增长率/%	城镇化率/%
2025年情景	1.8	67.11	1.3	65.85	0.7	62.25
2030年情景	2.2	72.58	1.5	69.64	0.9	65.10
2035年情景	2.5	77.43	1.7	72.62	1.0	68.31

新窗口打开| 下载CSV

（4）润滑脂产量

在“双碳”目标驱动下，碳酸锂短缺以及价格的持续走高对我国润滑脂生产结构已造成了较大影响，锂基润滑脂份额从2016年的60%下降到了2020年的51%，根据冯强^［20］的研究，设置中国润滑脂产量2025—2035年情景（表7）。

表7 中国润滑脂产量2025—2035年情景设置

Table 7 Scenario setting of China’s grease production from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	润滑脂产量增长率/%	润滑脂产量/万t	润滑脂产量增长率/%	润滑脂产量/万t	润滑脂产量增长率/%	润滑脂产量/万t
2025年情景	2.4	42.70	1.5	41.24	0.5	39.84
2030年情景	2.7	48.61	1.7	44.86	0.6	41.27
2035年情景	3.0	54.33	1.9	49.12	0.7	42.45

新窗口打开| 下载CSV

（5）陶瓷产量

中国陶瓷产业仍然存在着较大的发展空间，近几年中国陶瓷产业总体规模不断扩大，陶瓷生产制造总体上呈增长趋势，根据李海东^［21］的研究，设置中国陶瓷产量2025—2035年情景（表8）。

表8 中国陶瓷产量2025—2035年情景设置

Table 8 Scenario setting of China’s ceramic production from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	陶瓷产量增长率/%	陶瓷产量/亿m²	陶瓷产量增长率/%	陶瓷产量/亿m²	陶瓷产量增长率/%	陶瓷产量/亿m²
2025年情景	3.4	93.43	2.9	91.64	2.4	89.87
2030年情景	3.7	112.04	3.2	107.27	2.7	102.68
2035年情景	4.0	136.26	3.5	128.43	3.0	119.02

新窗口打开| 下载CSV

（6）玻璃产量

中国是全球玻璃产量最大的国家，玻璃广泛应用于建筑、汽车和日用包装等行业。柳晓燕等^［22］预测了未来不同情境下的玻璃需求，参考上述预测设置中国玻璃产量2025—2035年情景（表9）。

表9 中国玻璃产量2025—2035年情景设置

Table 9 Scenario setting of China’s glass production from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	玻璃产量增长率/%	玻璃产量/亿m²	玻璃产量增长率/%	玻璃产量/亿m²	玻璃产量增长率/%	玻璃产量/亿m²
2025年情景	2.5	6.83	2.2	6.75	1.9	6.65
2030年情景	3.5	8.12	3.2	7.90	2.9	7.67
2035年情景	4.5	10.12	4.2	9.73	3.9	9.28

新窗口打开| 下载CSV

（7）空调产量

张枫等^［23］研究发现我国空气处理行业虽然面临着较多的困难与挑战，但总体将呈现平稳向好、进一步提质增效的发展态势。参考上述研究，设置中国玻璃产量2025—2035年情景（表10）。

表10 中国空调产量2025—2035年情景设置

Table 10 Scenario setting of China’s air conditioning production from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	空调产量增长率/%	空调产量/亿台	空调产量增长率/%	空调产量/亿台	空调产量增长率/%	空调产量/亿台
2025年情景	1.8	2.34	1.6	2.32	1.4	2.30
2030年情景	2.0	2.58	1.8	2.53	1.6	2.49
2035年情景	2.2	2.87	2.0	2.80	1.8	2.72

新窗口打开| 下载CSV

（8）锂离子电池产量

根据万得数据库统计，2006—2011年全球锂离子电池产量快速增长，从23亿只增加至45亿只，年均增速14.4%。锂离子电池广泛应用于便携式电子设备中，在新能源汽车产业发展之前曾是锂资源消费的主体。邢佳韵等^［1］指出随着便携设备产品的不断升级，对电池容量要求也越来越高，锂离子电池产量将保持稳定增长。参考上述研究，设置中国锂离子电池产量2025—2035年情景（表11）。

表11 中国锂离子电池产量2025—2035年情景设置

Table 11 Scenario setting of China’s lithium-ion battery production from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	锂离子电池产量增长率/%	锂离子电池产量/亿只	锂离子电池产量增长率/%	锂离子电池产量/亿只	锂离子电池产量增长率/%	锂离子电池产量/亿只
2025年情景	1.8	249.16	1.3	244.30	0.8	239.51
2030年情景	2.5	289.73	1.9	274.86	1.2	258.30
2035年情景	3.2	360.58	2.5	327.42	1.6	289.73

新窗口打开| 下载CSV

（9）新能源汽车产量

根据《中国汽车产业中长期发展规划》，2025年中国新能源汽车产量目标700万辆、2030年国内新能源汽车产量目标1 500万辆。根据殷仁述等^［24］的预测，新能源汽车产量在低情景保守增长率为16%，在高情景增长率为37%。由此设置中国新能源汽车产量2025—2035年情景（表12）。

表12 中国新能源汽车产量2025—2035年情景设置

Table 12 Scenario setting of China’s new energy vehicle production from 2025 to 2035

指标	高情景（A）		基准情景（B）		低情景（C）
指标	新能源汽车产量增长率/%	新能源汽车产量/万辆	新能源汽车产量增长率/%	新能源汽车产量/万辆	新能源汽车产量增长率/%	新能源汽车产量/万辆
2025年情景	20	693.31	18	598.08	16	559.49
2030年情景	20	1 594.26	18	1 370.55	16	1 175.12
2035年情景	20	3 721.14	18	3 135.50	16	2 468.14

新窗口打开| 下载CSV

3.3　ARIMA残差预测

基于残差优化组合模型预测方法，将ARIMA残差作为BP神经网络修正值输入变量，因此需要对修正值输入变量进行预测，并进行未来情景设置。参照郑明贵等^［16］和陈蔚^［25］的做法，采用滚动建模建立BP神经网络训练残差并进行情景预测。

运用MATLAB软件对ARIMA残差进行建模，经学习和训练，确定最优神经网络结构为5-5-1。将2017—2021年残差输入到神经网络中，得到2022年残差值；输入2018—2022年残差，得到2023年残差值，以此类推，得到2025—2035年ARIMA残差预测值。将上述方法得到的残差预测值设为基准情景（B），依据2002—2021年预测平均相对残差绝对值5.66%，对低情景（C）和高情景（A）分别设置上下浮动5.66个百分点（表13）。

表13 ARIMA残差预测2025—2035年情景设置 (10⁴ t)

Table 13 ARIMA residual prediction scenario settings from 2025 to 2035

指标	高情景（A）	基准情景（B）	低情景（C）
2025年情景	-5.33	-5.04	-4.75
2030年情景	8.74	8.27	7.80
2035年情景	-1.55	-1.47	-1.39

新窗口打开| 下载CSV

3.4　灰色预测模型GM（1，1）残差预测

基于残差优化组合模型预测方法，将灰色预测模型GM（1，1）残差作为BP神经网络修正值输入变量，因此需要对修正值输入变量进行预测，并进行未来情景设置。参照史云扬等^［26］和蒋蓉华等^［27］的做法，采用滚动建模建立BP神经网络训练残差并进行情景预测。

运用MATLAB软件对GM（1，1）残差进行建模，经学习和训练，确定最优神经网络结构为5-4-1。将2017—2021年残差输入到神经网络中，得到2022年残差值；输入2018—2022年残差，得到2023年残差值，以此类推，得到2025—2035年灰色预测模型GM（1，1）残差预测值。将上述方法得到的残差预测值设为基准情景（B），依据2002—2021年预测平均相对残差绝对值9.63%，对低情景（C）和高情景（A）分别设置上下浮动9.63个百分点（表14）。

表14 灰色预测模型GM（1，1）残差预测2025—2035年情景设置 (10⁴ t)

Table 14 Grey prediction model GM（1，1） residual prediction scenario settings for 2025 to 2035

指标	高情景（A）	基准情景（B）	低情景（C）
2025年情景	-0.75	-0.68	-0.61
2030年情景	-1.79	-1.63	-1.47
2035年情景	-0.66	-0.60	-0.54

新窗口打开| 下载CSV

3.5　ARIMA-GM-BP组合模型情景预测

基于上述构建的ARIMA-GM-BP组合模型，将3种情景下的驱动变量和修正值输入变量带入神经网络模型中进行预测，并对预测结果反归一化后得到中国2025—2035年碳酸锂需求情景预测值（表15）。

表15 中国碳酸锂2025—2035年需求情景 (10⁴ t)

Table 15 China’s lithium carbonate demand scenario from 2025 to 2035

指标	高情景（A）	基准情景（B）	低情景（C）
2025年情景	53	42	32
2030年情景	83	66	57
2035年情景	116	102	92

新窗口打开| 下载CSV

由表15可知，中国2025—2035年碳酸锂需求整体呈上升趋势。2025年平均预测值为42万t；2030年平均预测值为69万t，2035年为103万t。面对中国碳酸锂需求的不断增长，未来供需矛盾愈发尖锐。

3.6　本文预测结果与其他预测的比较分析

将本文预测结果与其他机构和研究人员预测结果进行对比（表16）。

表16 本文与其他预测结果的对比 (10⁴ t)

Table 16 Comparison of this paper with other forecasts

预测机构	2025年	2030年	2035年	参考文献序号
张泽南	31	50	—	［2］
袁小晶	—	58.2	—	［28］
茹存一	34.23	—	—	［29］
黄莉	41.51	84.33	120.10	［30］
马哲	43.38	—	—	［31］
SMM	54	—	—	［32］
郑绵平	—	85	—	［33］
本文高情景	53	83	116	本文
本文基准情景	42	66	102	本文
本文低情景	32	57	92	本文

注：“—”表示未进行预测或无法预测数值。

新窗口打开| 下载CSV

由表16可知，张泽南等^［2］、袁小晶等^［28］和茹存一^［29］的研究结果与本文低情景下预测结果相近，上海有色网^［32］、郑绵平^［33］和黄莉等^［30］的研究结果与本文高情景下的预测结果相近。另外，本文结合目前俄乌冲突以及新冠疫情下可能出现的3种不同情景进行预测，预测结果更加客观、更具合理性。

4 结论与政策建议

本文在选取影响中国碳酸锂需求量9个驱动变量的基础上，基于灰色关联分析法对变量的合理性进行了判断，验证了所选取驱动变量与中国碳酸锂需求具有较高的关联性；依据ARIMA模型、灰色预测模型GM（1，1）和BP神经网络模型的预测优势，通过对比各单一模型以及组合模型的预测精度，最终选择精度较高的ARIMA-GM-BP组合模型；再结合情景分析法对中国2025—2035年碳酸锂需求进行预测，具有较好的科学性与可信度。主要研究结论如下：

（1）人均GDP对我国碳酸锂需求影响最大，新能源汽车产量、玻璃产量、空调产量、润滑脂产量、产业结构、锂离子电池产量、城镇化率和陶瓷产量的影响次之。人均GDP反映居民消费能力和经济发展水平，中国有着世界最大的锂产品消费市场，根据需求定律，人均GDP影响各个领域锂产品消费量，是影响中国碳酸锂需求的主要因素。

（2）中国2025—2035年碳酸锂需求不断增加，2025年、2030年和2035年3种情景预测均值分别为42万t、69万t和103万t。预计“十五五”期间年均增长率为10.44%，“十六五”期间年均增长率为8.34%。面对碳酸锂需求的不断增长，对我国提出了更大挑战。

基于上述研究结论，本文提出如下建议：

（1）针对锂矿勘探：目前我国锂矿勘查程度尚不足，应强化锂矿勘查和资源评估工作，详细评估锂矿查明资源储量，提高本土锂资源供应能力和保障程度。我国锂资源主要为硬岩型锂矿和盐湖卤水型锂矿。硬岩型锂矿资源主要分布于四川、江西和新疆等地，其中四川省资源最为丰富且开发程度较低，建议将四川矿区作为未来硬岩型锂矿勘查以及开发工作的主要区域。盐湖卤水型锂矿资源主要分布于青海和西藏，通过多年技术攻关和产业化实践，盐湖提锂技术逐渐成熟，从可采资源储量和技术角度考虑，盐湖提锂产业具有较大发展潜力。目前青海盐湖提锂产能已达11.7万t/a，预计2025年可达20万~25万t/a。建议加快推进青海盐湖提锂产能建设，这是当前及未来一段时期青海盐湖产业发展的重点，也是我国碳酸锂资源开发的重大机遇。西藏盐湖因处于化工基础薄弱且生态脆弱的地区，盐湖提锂开发受到极大制约，目前仍处于初级阶段，在“十四五”时期拟形成5万t/a碳酸锂产能。建议强化西藏地区基础设施建设，加快西藏盐湖产业发展以早日步入“快车道”。总体来看，我国盐湖提锂技术目前已有所突破，盐湖提锂规模化、产业化应用将大幅缓解碳酸锂供应压力，也是未来锂资源开发的主攻方向。

（2）针对新能源汽车产业：建议尽快完善锂电池回收体系，提高电池中锂回收率，这是未来解决锂供需缺口的关键。首先，鼓励锂电池回收企业相互合作，减少相同领域的重复投资；其次，建立锂电池回收相关行业标准，使锂电池回收企业能够遵循标准并降低成本和风险；最后，建立锂电池生命周期管理机制、生产者责任延伸制度，即确定资源开采、产品生产、设备装配、消费和回收再利用等各环节的责任机制，以提升政策效率。

另外，政府提供的一系列补贴政策使得新能源汽车产销量飞速提升，碳酸锂需求持续增加，但供应增速远落后于需求增速，新能源产业链供需紧张。建议补贴政策不应局限于产业链下游，在产业链上游的锂矿资源产业也应予以支持，以激励产能建设，缓解供给压力。

（3）针对国内传统行业：碳酸锂在传统行业的应用领域十分广泛，随着科技进步和传统行业规模的不断扩大，碳酸锂消费领域还会进一步拓宽，需求还会增长，因此需加强碳酸锂资源供应，以保证传统行业的用锂需求。

（4）针对海外锂资源勘探开发：应进一步加强海外锂资源勘探开发力度，在与主要锂资源供应国建立良好供应关系的同时，积极拓展其他进口来源国。建议重点关注安第斯山脉普纳高原盐湖、巴西纳斯吉拉斯州、内达华盐湖、美国阿帕拉契亚褶皱带北卡罗来纳、加拿大东南部、墨西哥萨卡特卡州、澳大利亚西部、塞尔维亚雅达盆地和津巴布韦马斯韦古锂资源潜力区。结合所在地区的投资环境，建议以入股投资的方式参与加拿大、澳大利亚等锂矿勘查程度较高国家的锂资源项目。另外，一些锂资源勘查程度低的国家如阿根廷、墨西哥、塞尔维亚和津巴布韦等也可通过绿地投资的方式参与。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

XING

Jiayun

， PENG

Hao

， ZHANG

Yanfei

， et al.

Global lithium demand and supply

［J］. Resources Science， 2015， 37（5）： 988-997.

[本文引用: 2]

邢佳韵，彭浩，张艳飞，等.

世界锂资源供需形势展望

［J］. 资源科学， 2015， 37（5）： 988-997.

[本文引用: 2]

[2]

ZHANG

Zenan

， ZHANG

Zhaozhi

， WU

Qing

， et al.

Chinese lithium mineral resource demand forecast

［J］. China Mining Magazine， 2020， 29（7）： 9-15.

[本文引用: 3]

张泽南，张照志，吴晴，等.

中国锂矿资源需求预测

［J］. 中国矿业， 2020， 29（7）： 9-15.

[本文引用: 3]

[3]

LIU

D H

， GAO

X Y

， AN

H Z

， et al.

Supply and demand response trends of lithium resources driven by the demand of emerging renewable energy technologies in China

［J］. Resources， Conservation and Recycling， 2019， 145： 311-321.