“十五五”水泥消费量预测研究报告
一、水泥消费量预测方法
水泥消费量预测步骤主要分为三步。第一,选取合适自变量确定多因素拟合分析模型,其次构建单一因素回归模型,然后利用AHP法(层次权重决策分析方法)确定各影响因素在预测水泥消费量时的权重,构建起最终分析模型;第二,对历史数据进行回测分析,确保模型真实、可靠;第三,合理假设未来自变量参数变化,计算出未来5年水泥消费量。
(一)水泥消费量的预测方法
经济发展方式对水泥消费量具有重大影响,影响水泥消费量的宏观经济指标主要包括GDP、固定资产投资、城镇化率、人口数等,参数选取应保证自变量尽可能较少、且具有代表性,模型要合理、可用。根据数据可得性,经过模型测试和参数对比,发现用多因素拟合模型建模效果较好。本报告以水泥消费量变化量为因变量,GDP增速、城镇化率增速、劳动人口占比(15-64岁人口占比总人口)、固定资产投资增速为自变量进行建模。
表1: 建模主要变量指标

资料来源:水泥大数据研究院整理
分别对GDP同比、城镇化率增速、固定资产投资增速、劳动力人口占比和水泥消费量变化量做一元回归分析,结果如下:

确定多因素拟合分析模型自变量因素后,自变量模型赋权十分重要。GDP增速、城镇化率增速、劳动人口占比、固定资产投资增速均为自变量,但每个自变量对水泥消费量的影响程度是不一样的。根据实际经验,我们认为固定资产投资、人口、城镇化率、GDP对水泥消费量的影响依次减弱,作出以下判断矩阵:
表2: 自变量指标判断矩阵标度值

数据来源:水泥大数据(https://data.ccement.com/)
计算结果显示,矩阵一致性比率CR约为0.019,小于0.1,它的不一致性程度在允许的范围内,标度评估相对准确。根据特征根法,得到四个自变量的影响权重如下:
表3: 自变量权重赋值

数据来源:水泥大数据(https://data.ccement.com/)
确定了单一因素回归模型和各自变量权重后,最终多因素拟合模型如下:

模型建立后,通过对2000-2025年26年数据进行回测,预测值和实际值相关系数为0.82,整体相关性较高,模型效果较好,可对2026-2030年水泥消费量数据进行预测。
二、“十五五”时期水泥消费量预测
(一)自变量假设
参考IMF对中国经济增速预测、国家规划以及国家金融与发展实验室数据,对2026-2030年GDP增速、城镇化率增长率、固定资产投资增速、劳动人口占比作出乐观、中性和悲观三种情境下假设和预测。乐观情境下,GDP增速在4.7%-5.2%之间,到2030年中国城镇化率达到71%,固定资产投资增速保持在4.6%以上,劳动力人口占比逐年下降,2030年至65%左右。
表4:自变量基础数据假设及预测(乐观)

数据来源:水泥大数据(https://data.ccement.com/)
中性假设下,中国经济结构逐渐调整,高质量发展基础不断夯实,尽管经济增速出现下降,但质量和效益稳步提升。这种情况下,2030年GDP增速下降至3.25%,城镇化率达到70%。
表5:自变量基础数据假设及预测(中性)

数据来源:水泥大数据(https://data.ccement.com/)
悲观预期下,经济转型进程不及预期,新动能培育较慢,固定资产投资持续下探,中国经济增速下行压力加大,到2030年降至3.1%,城镇化率在69%左右。
表6: 自变量基础数据假设及预测(悲观)

数据来源:水泥大数据(https://data.ccement.com/)
(二)未来五年水泥消费量预测
预测数据显示,三种情形下,2026-2030年水泥消费量均呈现下降走势,且降幅有所扩大。乐观情况下,经过2022-2025年连续四年调整,2026年水泥消费降幅出现收窄,但后期随着房屋新建增量减少、基础设施逐步完善,水泥消费继续减少,到2030年,水泥消费量下降至12.6亿吨,同比下降8.3%;中性假设下,消费降幅逐年扩大,到2030年消费量达到11.2亿吨,同比降幅再次超过10%;悲观情境下,中国水泥消费经过短暂调整后再次进入快速下降通道,到2030年达到10亿吨左右。整体来看,预计到2030年中国水泥消费量在10-12.6亿吨。
图1: 水泥消费量预测(亿吨)

数据来源:水泥大数据(https://data.ccement.com/)
通过和发达经济体水泥消费达峰及其后续表现对比来看,中国水泥消费达峰时人均消费量最高,达到1810kg。达峰后10-15年后预计中国人均消费量在1044kg,占比达峰均值的58%,除台湾地区外,低于主要发达经济体,水泥消费降幅较大。到2030年,中性情况下,预计中国人均水泥消费量达到798kg,占比峰值44%,除台湾和韩国外,无论是人均消费量还是较峰值时回落幅度,中国均高于主要发达经济体。
表7: 主要发达经济体与中国水泥消费达峰后走势

数据来源:水泥大数据(https://data.ccement.com/)