---论文分享---
亲爱的读者，
这里是南山论剑学苑！
今天小编为大家带来论文分享，
欢迎您的访问！
---内容提要---
今天小编为大家分享文章：《关键矿产供应风险评估与预测——以铜资源为例》，这是2023年发表在《资源科学》上的文章，文章围绕：关键矿产；铜资源；供应风险；评估与预测；国际竞争力；SMAA-TRI方法等关键词展开研究。
现实背景
人口增长、经济发展和技术变革共同导致关键矿产的需求达到了前所未有的水平。关键矿产是指影响或制约一个国家经济发展的紧缺矿种或者优势矿种，被广泛应用于清洁能源技术、电子工业、国防军工等产业。特别是，铜、锂和钴等多种矿产是太阳能、风能和新能源汽车等清洁能源技术的关键原材料。
中国在《“十四五”规划和2035远景目标纲要》中提出深入实施制造强国战略、发展壮大战略性新兴产业。此外，习近平在第七十五届联合国大会上宣布，中国力争2030 年前二氧化碳排放达到峰值，努力争取2060 年前实现碳中和目标（简称“双碳”目标）。关键矿产资源是中国制造业、战略性新兴产业以及清洁能源产业发展的必备原材料。然而，欧美等西方国家近期提出“去风险论”，实质上是在关键原材料等重要领域限制中国发展，同时限制中国市场在世界范围内的影响力。这给中国关键矿产的供给带来诸多挑战。
铜矿作为关键矿产之一，是中国电力、基础设施建设以及清洁能源领域的核心金属。中国也是世界上最大的铜资源消费国，每年消耗全球近一半的铜资源。因此，铜资源的供应风险已成为中国需要关注和解决的迫切问题。开展中国铜资源供应风险评估和预测对于保障中国制造强国战略实现、战略性新兴产业发展和“双碳”目标实现具有重要意义。
01
关键矿产供应风险评估
指标体系构建
关键矿产资源的供应风险不是只由国内资源禀赋决定，还受到矿产来源国环境、矿产市场以及矿产国际竞争力的影响。矿产的资源禀赋是关键矿产供给的基本保障；矿产来源国环境是影响矿产资源进口的不可控因素；矿产市场因素反映中国矿产的供给和需求对矿产供应风险的影响；国际竞争力衡量中国矿产在国际矿产市场中的优势或劣势地位。文章考虑指标的适用性和相关性以及数据的可用性和可信度，在以往矿产供应风险相关研究的基础上，从环境、市场、资源和国际竞争力等4个维度选取8个定量指标，构建了关键矿产供应风险评估与预测指标体系，对中国关键矿产供应风险进行评估和预测，分析2008—2021年关键矿产资源供应风险的动态演变趋势。
文章所选的8个评价指标具体如下，各指标具体计算方法详见表1。
（1）环境因素
环境因素代表了国外不可控风险因素对关键矿产总供给的影响，该维度下包括两个指标：地缘政治和环境风险。地缘政治表示进口来源国政治环境的稳定程度，政治不稳定会对矿产的供应产生消极影响。环境风险衡量了矿产来源国遭受环境污染和破坏的风险，采用环境绩效指标来表示。
（2）市场因素
市场因素是指市场供需变化情况对矿产资源供应风险的影响，该维度下包括两个指标：市场集中度和进口依存度。市场集中度代表国外矿产资源市场的垄断风险。其值过高，矿产供应受到的影响程度越大，供应风险就越大。进口依存度是矿产资源净进口量与消费量的比值，反映了国内矿产资源消费对国外资源的依赖程度。其值越大，表明该国对国外资源越依赖，资源的供应风险就越大。
（3）资源因素
资源因素反映中国矿产的资源禀赋，是矿产资源供给的基本保障。该维度包括两个指标：资源保障度和储采比。资源保障度是储量与消费量的比值，反映了当外部资源供应渠道中断，外界供应量为0时国内资源的可支撑程度。储采比则是储量与产量的比值，代表当外部资源供应中断时国内资源的可持续性。其值越大，表明该矿产资源越充足，供应风险越低。
（4）国际竞争力因素
国际竞争力因素是指在国际矿产资源贸易中的竞争力，反映了关键矿产对国际矿产资源市场的控制能力。该维度包括两个指标：显示性比较优势指数（RCA）和贸易竞争优势指数（TC）。RCA指数指一个国家某种矿产出口额占其出口总值的份额与世界出口总额中这种矿产出口额所占份额的比率。TC指数是指一国矿产资源出口和进口贸易的差额占其进口和出口贸易总额的比重。RCA指数更关注中国矿产资源在全球矿产贸易中的竞争力和市场份额，是从国际矿产市场的角度衡量矿产资源的竞争力；而TC指数主要关注中国矿产的进口和出口量，是从中国自身矿产贸易的角度对矿产的竞争力进行考量。
02
随机多准则可接受性分析
（SMAA-TRI）方法
随机多准则可接受性分析方法(SMAA-TRI)是在ELECTRE TRI 方法的基础上，考虑参数的缺失和不确定性，根据模糊排序关系和预先确定的准则，将备选方案划分到相应类别中的一种多准则决策方法。文章采用该方法首先将矿产资源供应风险划分为以下5类：低风险、中低风险、中风险、中高风险和高风险。然后，通过类别可接受性指数衡量矿产资源被划分到各个风险类别中的概率。类别可接受性指数取值范围为[0, 1]。文章将概率最大的风险类别作为某一矿产资源的供应风险类别。
关键参数描述如下，关键矿产资源供应风险指标阈值设置如表2。
(1)指标的权重w。在本文中，SMAATRI方法在权重缺失的情况下使用了10000次蒙特卡洛迭代模拟指标权重，决策者不需要提供明确的指标权重，避免了权重的主观性对结果评估的影响。
(2)阈值分类Prh(profile)。每个风险等级h（h ∈{1, 2, 3, 4, 5}）由阈值配置文件 Prh 来界定。设C(class)={C1,…,Ch, Ck}为按偏好升序排列的类别集合(C1为“最差”类别)。设Prh(profile)={p1, p2,…,
ph,…, pk−1}，Prh 为Ch类的上限值和Ch+1类的下限值。
(3)偏好阈值(p值)与无差异阈值(q值)。p值与q值是将profile的确定边界模糊化，以测量不同风险等级的不确定性。文章确定q 值是p值的两倍。
(4)切割水平λ代表了大多数的决策标准，本文确定 λ ∈{0.65, 0.85}。
03
BP神经网络模型
文章运用BP神经网络对铜资源各个供应风险因素进行预测，将预测系统的构建看作是构建了1个3层的神经网络，其中包含输入层、隐含层以及输出层。文章对地缘政治、环境风险、市场集中度、进口依存度、资源保障度、储采比、RCA指数和TC指数8个指标分别进行建模和预测。在传入训练输入数据与训练输出数据后，根据节点之间存在的阈值和权重来计算隐含层、输出层的输入数据与输出数据，比较其输出值和训练输出值存在的差异。运用BP神经网络建立铜资源供应安全预测模型的过程如下所述：
（1）预测网络设计
以2008—2021年共14年数据为基础，为了保证预测精度，选择前两年的数据作为序列的输入样本，下一年的数据作为网络的输出值，共获得12组样本数据。本文中神经网络输入节点数为2，输出节点数为1，隐含层中最佳节点数的选择参考以下方程式：
（2）神经网络精度检验
经过网络训练，需要对训练模型进行精度测试，以确定预测模型的适用性。首先将2008—2018年的数据作为测试数据输入到模型中，运用训练好的模型，预测2019 年、2020年和2021年各个预警指标的数值，并比较神经网络输出和期望输出之间的差别。其中，期望输出是中国铜资源供应安全各项预警指标的历史值，神经网络输出是模型模拟计算产出的结果。平均绝对百分误差MAPE和拟合系数R2两个指标常被用于衡量模型精度，当模拟结果误差范围在20%左右，拟合系数R2高于90%，则评价结果较好。通过比较输出结果，判断模型是否训练达标，以决定是否可以进行下一步的预测。
（3）神经网络仿真分析
采用y=sim(net, x)对中国2022年和2023年铜资源各指标进行预测，以2020—2021年数据为输入数据，预测得到2022年数据；以此类推，预测得到2023年数据。
---End---
欢迎关注 南山论剑
梦想从这里起飞
编辑：海葵
投稿邮箱：443120751@qq.com
