基于ARIMA模型的新能源汽車銷量預測

繆輝 唐晨添 羅露璐

【摘 要】新能源汽車是近幾年在汽車行業發展勢頭迅猛，其銷量也反映出它的市場前景是一片大好，因此尋找一種準確簡便的方法預測新能源汽車銷量是十分必要的。文章選取了我國2014年1月至2019年5月新能源汽車月銷量作為隨機的時間序列數據，采用ARIMA模型對序列進行分析，同時建立最優且適合此序列的ARIMA模型對銷量進行預測與對比，為新能源汽車行業的發展提供有益的參考。

【關鍵詞】ARIMA模型;新能源汽車;預測分析

【中圖分類號】F426.471 【文獻標識碼】A 【文章編號】1674-0688（2020）10-0097-02

0 引言

隨著全球的環境問題和石油能源危機日趨嚴峻，世界各國都在積極采取相應措施實現經濟的快速發展，新能源汽車的布局和發展已然成為世界各國汽車產業發展的重中之重。近幾年，在全球環境問題日益嚴峻的形勢下，各國積極改進技術研究環保節能汽車，新能源汽車就這樣迅速地進入人們的生活。時下，占據大部分市場份額的為純電動汽車和混合動力汽車，它們具有以下優點：①減少對石油資源的消耗和對環境的污染。②能源轉換率高，使用成本低。③國內免征車輛購置稅，上牌容易且無限行。為了節能減排，我國積極制定相關政策要求車企研究并生產新能源汽車，鼓勵百姓購買新能源汽車。由于我國汽車廠商對新能汽車的研究與制造起步較晚，國內學者對這方面的研究也于近幾年才逐漸興起，對新能源汽車銷量預測的研究也相對較少。針對新能源汽車發展趨勢和市場銷售的實際情況，建立銷量預測模型有利于了解我國新能源汽車市場未來的需求，也能為相關學者的研究和汽車企業發展戰略的制定提供參考。因此，有必要對新能源汽車銷量進行預測研究。

近幾年來，國內許多學者使用時間序列模型對汽車銷量進行研究。例如，柳東威等人用時間序列法對2014年乘用車月銷量進行預測[1];郭順生利用時間序列模型預測汽車銷量[2];凌拓對我國電動汽車市場銷量進行研究[3];田銳鋒用季節性模型預測“奧迪”汽車在華銷量[4];王旭天等人運用SARIMA對我國汽車銷量預測分析[5]等。綜上可以看出，國內學者都采用了定量的預測方法，并且各位研究人員均取得了滿意的研究結果。本文采用ARIMA模型實現對我國新能源汽車銷量的預測。

1 模型概述

自回歸移動平均模型通常簡稱ARIMA模型，該模型是由Box與Jenkins在20世紀70年代提出的，因此該模型通常也被稱為box-jenkins模型，它是一種應用范圍十分廣泛的時間序列預測模型。ARIMA模型本質上是利用差分運算實現時間序列由非平穩化轉換為平穩化，再利用因變量進行滯后值的回歸擬合處理，基于模擬隨機誤差現值與滯后值進行模型的構建及回歸模擬。本文以分析預測新能源汽車銷量為例，運用ARIMA（p、d、q）（P、D、Q）模型對汽車銷量月度數據進行分析預測。

2 ARIMA模型應用實例

2.1 數據來源及分析

本文數據來自中國汽車工業協會及知名汽車網站，選取了2014年1月至2019年5月的新能源汽車銷量數據。新能源汽車的銷量趨勢和傳統汽車銷量趨勢相近，每年的2～3月是銷售的淡季，而10月～次年1月是銷售的旺季。在具體預測過程中存在一定因素的影響，但在未來3個月時間范圍內的銷量預測還是能夠有效地滿足有關部門及市場的需要，同時在實際預測過程當中，政策的改變必然會造成銷量的改變，因此主要是通過更新數據實現對預測結果的更新，超出3個月范圍的預測結果不具有預測意義;本文在時間序列的基礎上建立此模型，而時間序列來具有“近大遠小”效應，預測時間如果超過要求，將導致精度有一定程度的降低。所以，本文預測的主要是最近3個月的銷量情況，基于2014年1月到2019年5月的數據信息進行模型的構建，采用2019年3月到5月的數據進行模型驗證。

2.2 時間序列平穩性分析

從圖1可以看出，我國新能源汽車6年來的月銷量呈現明顯的變化趨勢，上升趨勢尤為明顯，由序列圖的分析可知，序列數據隨著季節波動。由SPSS軟件對數據進行季節性分解得到圖2。

數據的非平穩性消除是必須先做的，按移位水平對某些異常離散值進行處理，之后進行差分處理，進行一次差分后的原始數據變為新的時序數據，同時逐漸表現出平穩性的基本特征，ADF單位根檢驗的新時序數據比較符合平穩性的要求，主要通過ARIMA模型開展相應的分析預測。

2.3 模型識別定階及檢驗

這里的差分自回歸移動平均模型包括6個參數：ARIMA（p、d、q）（P、D、Q），p和P表示自回歸方程階數;d和D表示差分次數;q和Q表示平均過程階數。小寫字母的p、d、q和大寫字母的P、D、Q分別代表的是不包含和包含季節變動成分的ARIMA模型結果。因為本文是包含季節變動成分的時間序列，所以需看后面括號的結果。經過一次差分的時間序列，自回歸過程階數為1。

按照ACF和PACF（ACF是自相關函數，PACF是偏相關函數）分析原理開展相應的擬合過程，基于擬合的具體情況，最后取p=1，q=0，建立ARIMA（1，0，0）（1，1，0）模型的效果較為理想，并運用SPSS軟件對AR（1）進行參數估計。

由模型輸出參數發現：Sig<0.05，所以其建立的模型滿足統計學要求，具有統計學意義。平穩R方為0.538，考慮季節變動的整體R方為0.932，證明SPSS軟件自動計算生成的ARIMA（1，0，0）（1，1，0）模型的擬合效果是不錯的。

2.4 模型擬合與預測

利用建立的模型對銷量進行擬合及預測，結果見表1和圖3。由圖3可知，ARIMA（1，0，0）（1，1，0）擬合結果與實際銷量趨勢基本一致，但由于某些月份銷量波動較大，例如2018年12月新能源汽車銷量高達22.5萬輛，而最低月份銷量為3.4萬輛，這就導致此模型在個別時段擬合與預測誤差相對較大。ARIMA模型可以實現對銷量趨勢的有效預測，然而在極值處的預測誤差有時會較大。

3 結語

本文選取的新能源汽車銷量數據是近幾年才開始統計的，導致只能對僅有數據的變化趨勢進行分析預測，影響汽車銷量的因素有很多，也較為復雜。時間序列分析的方法運用在此僅是一個大趨勢的概括，有一定的局限性，例如只能對短期的數據進行較精確的預測，下一步可以考慮組合多種方法預測，效果可能更加理想。但從某些程度來說，此分析法概括的汽車銷量變化的趨勢較為有效，可將預測過程變得簡單化。隨著時間的推移，為了增加模型的精準和時效性，可以將舊數據不斷更替為最新的銷量數據。與此同時，應適當考慮時間序列和隨機因素并增加樣本，這樣得出的結果可能會更優，而且預測精度會有所提高。預測新能源汽車銷量的整體趨勢是上升的，汽車廠商可以由此作為一定參考，合理調整產銷計劃，迎合國家優惠政策制定相關的銷售方案，促進我國新能源汽車用戶快速增長。就本文而言，采用的ARIMA模型擬合的不一定是最優的結果，但是就本文選取的新能源汽車銷量數據來說，可能是最優的。

參 考 文 獻

[1]柳東威，張海波，吳淑霞，等.基于時間序列法的2014年乘用車月銷量預測[J].汽車工程師，2013（12）：13-14.

[2]郭順生，王磊，黃琨.基于時間序列模型預測汽車銷量研究[J].機械工程師，2013（5）：8-10.

[3]凌拓.我國電動汽車市場銷量預測研究[D].重慶：重慶理工大學，2018.

[4]田銳鋒.用季節性交乘模型預測奧迪汽車在華銷量[J].統計與管理，2016（8）：70-71.

[5]王旭天，李政遠，舒慧生.基于SARIMA的我國汽車銷量預測分析[J].中國市場，2016（1）：71-74.