 市场报告解读：从数据清洗到可复现研判框架)
简介：这份文档是QYResearch出品的1,2-环氧丁烷（BO）行业研究报告，聚焦2024至2030年全球与中国市场的现状与未来趋势，适合化工行业研究人员、市场分析师、投资决策者及产业链相关从业者参考。报告共75页、含80张图表，围绕产能、产量、销量、销售额与价格等维度展开，重点剖析BASF、燕山石化等核心厂商的竞争格局，并细分99.5%及其他纯度类别，以及化学中间体、工业溶剂稳定剂、非离子型表面活性剂等应用领域。资源包为单一docx文件，大小约306KB，结构完整、便于检索与二次引用。报告数据显示，2023年全球市场销售额达0.6亿美元，预计2030年增至1.12亿美元，年复合增长率9.6%，亚太地区占约42%份额，其中中国市场增长尤为突出。读者可借此掌握行业驱动因素、环保政策影响、原材料价格波动等挑战，并获得未来需求增长与技术进步的预测依据。目前已有55人学习下载。
1. 1,2-环氧丁烷 (BO) 市场报告怎么读：从一份 docx 到可复现的研判框架
拿到一份标题写着「2024-2030全球与中国1,2-环氧丁烷 (BO)市场现状及未来发展趋势」的 docx，多数人的第一反应是翻到数据表看产能和价格，然后复制几段塞进自己的汇报里。但真正在一线做精细化学品研判的人会先问三个问题：这份报告的统计口径是产能还是产量？中国区的数据是表观消费还是实际采购？2030 年的预测用的是线性外推还是下游需求拆解？这三个问题不搞清楚，后面所有数字都是玄学。1,2-环氧丁烷（BO）属于小众精细化工中间体，全球产能集中度不高，公开数据碎片化严重，一份趋势报告的价值不在于它给了什么数，而在于它的口径能不能和你的决策场景对齐。这篇笔记面向需要独立完成 BO 市场研判的工艺工程师、采购和投资分析人员，把一份 docx 从「读得懂」推到「算得出、验得了」。
2. 先搞清楚 BO 的产业链位置：为什么它的市场数据总对不上
2.1 从原料到下游，BO 的四个数据口径
1,2-环氧丁烷的产业链不长，但每个环节都有独立的统计习惯。上游是丁烯或丁烷经氧化或氯醇法得到的粗品，中游是精馏提纯后的商品 BO，下游主要是三类：聚醚多元醇的起始剂、表面活性剂的疏水链段原料、以及部分医药和农药中间体。问题出在，不同机构报的「BO 产能」可能指的是环氧化反应器的名义产能，也可能指精馏塔的成品产出能力，两者差 15% 到 30% 是常事。
| 口径 | 定义 | 常见偏差来源 |
|---|---|---|
| 名义产能 | 反应器设计通量折算 | 忽略精馏瓶颈和检修 |
| 有效产能 | 实际可稳定出成品的量 | 受原料品质和催化剂寿命影响 |
| 产量 | 年度实际产出 | 部分自用不进入商品市场 |
| 表观消费 | 产量+进口-出口 | 库存变动被忽略 |
读报告时，先看它有没有明确标注用的是哪一套。如果只写「产能」不写口径，这份数据只能做趋势参考，不能做绝对量测算。
2.2 中国区数据的特殊性：自用比例高，商品量被低估
中国 BO 市场的一个显著特点是，相当一部分产能被上游企业自用，直接用于聚醚或表活生产，不进入商品流通。公开报告如果只统计商品量，会低估中国实际的生产规模；如果只统计产能，又会高估市场流通量。我一般会做一件事：把报告里的中国产量和进口量相加，再乘以一个自用系数（经验值 0.6 到 0.75，视企业结构而定），得到一个「等效商品供应量」，再和下游需求做交叉验证。
这个系数不是拍脑袋，是从企业年报的「自用」科目和行业开工率反推的。如果你手头有 3 到 5 家主要生产企业的开工数据，可以用下面的 Python 片段快速算一版：
# 估算中国BO等效商品供应量 # 输入：报告产量（万吨）、进口量（万吨）、自用系数区间 reported_output = 8.5 # 报告中的中国产量，示例值 import_volume = 1.2 # 进口量，示例值 self_use_ratio = (0.60, 0.75) # 自用比例区间 for r in self_use_ratio: equivalent_supply = reported_output * (1 - r) + import_volume print(f"自用比例 {r:.0%} 时，等效商品供应量约 {equivalent_supply:.2f} 万吨")逻辑说明：reported_output是报告里的产量数字，import_volume是进口补充，self_use_ratio是需要你根据企业结构判断的区间。参数调整的关键在于自用比例，如果报告里明确写了「商品量」而不是「产量」，那self_use_ratio应该设为 0，直接用商品量加进口。这个脚本的作用不是给出精确值，而是让你看到不同假设下供应量的波动范围，避免被单一数字锚定。
3. 把 docx 里的数据拆成可验证的时间序列
3.1 历史数据怎么清洗：三个必须做的检查
报告里的历史数据通常以表格形式出现，年份、产能、产量、价格、消费量混在一起。直接拿来做回归会翻车，因为至少有三个坑：第一，不同年份的统计口径可能变了，比如某年之前只统计商品量，之后改成总产量；第二，价格数据可能是出厂价也可能是到岸价，差一个运费和关税；第三，消费量可能是表观消费也可能是下游实际采购，后者通常滞后半年。
清洗步骤我一般按这个顺序走：
- 把表格转成 CSV，年份作为索引，每个指标单独一列。
- 检查每个指标的定义有没有在报告脚注里变化，有变化就分段处理。
- 对价格列，统一到「出厂价」口径，如果报告给的是到岸价，减去运费和关税估算值。
- 对消费量，用下游聚醚和表活的产量反推，和报告值做对比，偏差超过 20% 就标记为存疑。
import pandas as pd # 读取报告整理后的CSV，假设列名为：year, capacity, output, price, consumption df = pd.read_csv("bo_market_raw.csv", index_col="year") # 检查口径变化：如果某年consumption突然跳变超过30%，标记 df["cons_change"] = df["consumption"].pct_change() df["flag"] = df["cons_change"].abs() > 0.30 # 价格统一到出厂价：假设报告里2019年后为到岸价，减去估算运费 freight = 0.15 # 万吨级产品的运费估算，单位：万元/吨 df.loc[df.index >= 2019, "price"] = df.loc[df.index >= 2019, "price"] - freight print(df[["capacity", "output", "price", "consumption", "flag"]])逻辑说明：pct_change()用来捕捉消费量的异常跳变，flag列标记出需要人工复核的年份。freight是一个需要你根据实际物流成本调整的参数，如果报告里明确写了价格口径，这一步可以跳过。清洗后的数据才能进入下一步的趋势拟合。
3.2 预测 2030 年：别用线性外推，用下游拆解法
报告里最常见的预测方法是线性外推，把 2024 到 2030 年的复合增长率一乘就完事。但 BO 的下游需求结构在变，聚醚多元醇的增速在放缓，而表活和医药中间体的增速在起来。线性外推会高估总需求，因为它的权重还停留在过去。
我一般用下游拆解法：把 BO 的需求分成三块，分别预测，再加总。
| 下游 | 2024 年占比 | 2024-2030 年增速假设 | 依据 |
|---|---|---|---|
| 聚醚多元醇 | 55% | 3%-4% | 地产和家具需求趋稳 |
| 表面活性剂 | 30% | 5%-6% | 工业清洗和日化稳定增长 |
| 医药农药中间体 | 15% | 7%-8% | 仿制药和新型农药带动 |
# 下游拆解法预测2030年BO需求 segments = { "聚醚多元醇": {"share": 0.55, "growth": (0.03, 0.04)}, "表面活性剂": {"share": 0.30, "growth": (0.05, 0.06)}, "医药农药中间体": {"share": 0.15, "growth": (0.07, 0.08)}, } base_demand = 10.0 # 2024年总需求，万吨，示例值 for name, seg in segments.items(): low = base_demand * seg["share"] * (1 + seg["growth"][0]) ** 6 high = base_demand * seg["share"] * (1 + seg["growth"][1]) ** 6 print(f"{name}: 2030年需求 {low:.2f} - {high:.2f} 万吨")逻辑说明：share是 2024 年的需求占比，growth是 6 年期的年增速区间，base_demand需要你从清洗后的数据里取。这个方法的优势是每个假设都可以单独质疑和调整，而不是一个笼统的复合增长率。如果报告里的预测值和你的拆解结果差 15% 以上，就要回去检查它的下游占比假设是不是过时了。
4. 避坑：读 BO 市场报告时最容易翻车的五个地方
4.1 把「产能」当「供应量」直接算供需缺口
现象：报告里写「2025 年中国产能 12 万吨，需求 10 万吨，过剩 2 万吨」，直接拿来判断价格要跌。原因：产能不等于有效供应，BO 的精馏环节瓶颈明显，实际有效产能可能只有名义的 70% 到 80%。解决：用「有效产能 = 名义产能 × 开工率 × 精馏收率」重新算一遍，开工率和收率从企业调研或行业均值取，一般开工率 0.75、收率 0.90 是常见值。
4.2 忽略进口产品的规格差异
现象：看到进口量增加就认为国内竞争加剧。原因：进口 BO 有些是高纯度医药级，国内产能暂时做不了，这部分不构成直接竞争。解决：把进口量按规格拆开，医药级和工业级分开统计，只有工业级进口才影响国内商品市场。
4.3 用出厂价算下游成本，漏了运费和包装
现象：报告里 BO 出厂价 1.2 万元/吨，下游聚醚厂说成本 1.5 万元/吨，觉得中间商暴利。原因：BO 属于危化品，运费和包装成本高，短途运费可能 300 到 500 元/吨，包装桶另算。解决：在价格分析里单独列一栏「到厂价」，把运费、包装、保险加回去，再和下游成本对比。
4.4 把年度数据当季度数据用
现象：用 2024 年全年产量除以 4 估算季度供应，发现和实际采购节奏对不上。原因：BO 下游聚醚和表活有季节性，二季度和三季度是旺季，一季度和四季度偏低。解决：如果报告只有年度数据，至少按 0.9、1.1、1.1、0.9 的季节系数拆到季度，再做采购计划。
4.5 预测里没考虑替代品
现象：报告预测 BO 需求年增 6%，但实际下游在试用其他起始剂。原因：BO 在聚醚领域面临其他环氧单体的竞争，价格差拉大时替代会发生。解决：在预测模型里加一个替代弹性系数，一般取 -0.3 到 -0.5，即 BO 相对替代品涨价 10%，需求减少 3% 到 5%。
5. 把报告变成决策工具：一个可复用的 BO 研判模板
5.1 建立自己的数据底稿，不依赖单一报告
任何一份 docx 都只是起点。我习惯把报告里的数据拆进一个三表结构：供应表、需求表、价格表。供应表记录产能、产量、进口、出口、库存变动；需求表按下游分块；价格表记录出厂价、到厂价、原料成本。三张表用年份做关联，任何一份新报告进来，先往这三张表里填，填不进去的数据说明口径不一致，需要单独处理。
# 三表结构的骨架示例 supply = pd.DataFrame(columns=["year", "capacity", "output", "import", "export", "inventory_change"]) demand = pd.DataFrame(columns=["year", "polyether", "surfactant", "pharma", "other"]) price = pd.DataFrame(columns=["year", "ex_factory", "delivered", "raw_material_cost"]) # 新报告数据填入时，先检查年份是否连续，再检查单位是否统一 def check_continuity(df, year_col="year"): years = sorted(df[year_col].tolist()) gaps = [y for i, y in enumerate(years[1:]) if y - years[i] > 1] return gaps # 示例：检查供应表年份是否连续 # gaps = check_continuity(supply) # print("缺失年份：", gaps)逻辑说明：check_continuity用来发现报告里跳过的年份，缺失年份需要从其他来源补，或者标记为「数据不可得」。三表结构的价值在于，当你换一份新报告时，不需要重新建框架，只需要往对应表里填数，然后跑一遍一致性检查。
5.2 用敏感性分析代替单点预测
报告里的 2030 年预测通常是一个数，但决策需要的是区间。我一般做三因素敏感性分析：下游增速、自用比例、替代弹性。每个因素取高、中、低三档，组合出 27 个情景，看需求预测的分布。
| 因素 | 低档 | 中档 | 高档 |
|---|---|---|---|
| 下游综合增速 | 3% | 5% | 7% |
| 自用比例 | 60% | 68% | 75% |
| 替代弹性 | -0.5 | -0.4 | -0.3 |
import itertools growth_rates = [0.03, 0.05, 0.07] self_use = [0.60, 0.68, 0.75] elasticity = [-0.5, -0.4, -0.3] results = [] for g, s, e in itertools.product(growth_rates, self_use, elasticity): demand_2030 = 10.0 * (1 + g) ** 6 # 基础需求10万吨 effective_demand = demand_2030 * (1 - s * 0.3) # 自用比例影响商品需求 effective_demand *= (1 + e * 0.1) # 替代弹性影响 results.append((g, s, e, effective_demand)) results_df = pd.DataFrame(results, columns=["growth", "self_use", "elasticity", "demand_2030"]) print(results_df["demand_2030"].describe())逻辑说明：itertools.product生成所有组合，demand_2030是基础预测，effective_demand是考虑自用和替代后的商品需求。describe()给出分布的最小值、最大值、均值和中位数，决策时看区间而不是单点。参数调整的关键是自用比例对商品需求的折减系数，这里用了s * 0.3，意思是自用比例越高，商品需求折减越多，具体系数需要根据企业结构校准。
5.3 一个具体技巧：用价格差判断市场松紧
BO 的出厂价和到厂价之间的价差，可以反映市场松紧。价差扩大，说明物流紧张或需求旺盛，下游愿意承担更高运费；价差收窄，说明市场清淡，卖家在让利。我一般把价差和开工率放在一张图上看，价差连续两个季度扩大且开工率超过 80%，就是价格上行信号。
这个技巧不需要复杂模型，只需要你持续记录两个价格。报告里如果只给了一个价格，就去下游企业调研到厂价，或者用运费估算。坚持记一年，比任何预测模型都管用。我自己在这个环节踩过的坑是，早期只看出厂价，忽略了运费波动，结果在物流旺季误判了市场热度。后来把运费单独列一栏，价差分析才靠谱。希望帮到你。
本文还有配套的精品资源，点击获取
