基于時間序列預(yù)測的印度乘用車銷量研究

1、 基于時間序列預(yù)測的印度乘用車銷量研究 羅智恒摘 要為了給汽車業(yè)“出?！庇《葏⒖迹恼吕脮r間序列預(yù)測印度乘用車2020年銷量。首先，提出了利用時間序列預(yù)測銷量的研究思路。其次，利用印度乘用車20102018年銷量數(shù)據(jù)，按研究思路預(yù)測出印度乘用車2019年銷售3492170輛，同比增長2.87%;預(yù)計2020年銷售3622561輛，同比增長3.73%。最后，用2019年13月的實際銷售數(shù)據(jù)，與預(yù)測數(shù)據(jù)對比得出預(yù)測誤差在5.20%內(nèi)，驗證了預(yù)測模型的精度。Key印度乘用車銷量;預(yù)測;時間序列;2020年;ARMAF4261 前 言印度作為“金磚四國”之一，聯(lián)合國人口署2017年公布其人口為13.

2、39億1， 世界第二;據(jù)國際貨幣基金組織消息，2018財年GDP為2.69萬億美元，排行世界第7 2;2018年乘用車銷量為339.4萬輛， 千人汽車擁有量不足30輛3，不但遠(yuǎn)低于美國千人汽車擁有量800輛，也小于中國千人汽車擁有量170輛4，汽車業(yè)擁有巨大發(fā)展空間。但印度存在“三個短缺”：持續(xù)的國際貿(mào)易赤字、長期的政府預(yù)算赤字，以及欠發(fā)達(dá)地區(qū)的發(fā)電和配電基礎(chǔ)設(shè)施5;同時2018年印度人均GDP僅為2016美元，世界排名146位（同期中國人均GDP為9633美元，世界排名76位）2，國家社會的發(fā)展水平和發(fā)展程度偏低，使其汽車業(yè)發(fā)展存在不確定性。為此文章嘗試?yán)脮r間序列預(yù)測2020年印度乘用車銷

3、量，給國內(nèi)各大整車廠進(jìn)入印度市場提供參考。時間序列是將某一個變量或指標(biāo)在不同時間上的不同數(shù)值按照時間的先后順序排列而成的數(shù)列。Box 和Jenkins在20世紀(jì)70年代首次提出利用時間序列進(jìn)行預(yù)測6，主要利用平穩(wěn)時間序列的統(tǒng)計性質(zhì)不隨時間原點的推移而變化的特性。2 研究思路文章預(yù)測印度2020年乘用車銷量研究思路如圖1所示。2.1 時間序列將印度乘用車每月銷量數(shù)據(jù)按先后順序?qū)搿?.2 平穩(wěn)判斷一個時間序列是否平穩(wěn)，通過自相關(guān)系數(shù)及其圖形，可以初步判斷一個時間序列的平穩(wěn)性。如需定量地判斷時間序列的平穩(wěn)性，則可采用Dickey-Fuller（DF檢驗）單位根進(jìn)行檢驗。如果時間序列平穩(wěn)，就進(jìn)行第3

4、步平穩(wěn)時間序列的步驟;如果時間序列不平穩(wěn)，就進(jìn)行第7步平穩(wěn)化。2.3 平穩(wěn)時間序列如時間序列平穩(wěn)，就可以利用AR，MA，ARMA進(jìn)行預(yù)測。2.4 模型識別從AR，MA，ARMA中選擇合適的時間序列模型。常用的模型識別方法有：利用自相關(guān)系數(shù)、偏相關(guān)系數(shù)圖進(jìn)行模型識別;計算擴展的自相關(guān)函數(shù)（EACF）并利用其估計值進(jìn)行模型識別7。2.5 參數(shù)估計模型所含的未知參數(shù)，通過時間序列確定其最優(yōu)估計，一般采用的估計優(yōu)化準(zhǔn)則為矩估計、極大似然法和最小二乘法8。然后，進(jìn)行第6步對模型進(jìn)行評估。2.6 評估通過分析擬合模型的殘差和過度參數(shù)化的模型，可以保證擬合模型的優(yōu)度同時又不過擬合8 。如果模型被正確識別，參

5、數(shù)估計足夠接近真實值，則模型殘差就應(yīng)該近似白噪聲，服從獨立、同分布的零均值和相同標(biāo)準(zhǔn)的正態(tài)分布8。如通過評估，則可以到第12步進(jìn)行預(yù)測數(shù)據(jù);如沒有通過評估，則進(jìn)行第4步模型識別，調(diào)整模型。2.7 平穩(wěn)化平穩(wěn)化常用方法有：加法模型、乘法模型、混合模型和差分模型9。若一時間序列能夠通過差分的方式平穩(wěn)化，則稱其具有單位根。如一個時間序列具有單位根，則它是非平穩(wěn)的。如平穩(wěn)化成功后，則回到第3步;如平穩(wěn)化失敗，則到第8步進(jìn)行非平穩(wěn)時間序列分析。2.8 非平穩(wěn)時間序列如果時間序列不能平穩(wěn)化，則用非平穩(wěn)時間序列進(jìn)行預(yù)測。常用的非平穩(wěn)時間序列預(yù)測模型有：指數(shù)平滑法10，但其只適合短期預(yù)測。2.9 模型識別指數(shù)

6、平滑法分為一次平滑法和多次平滑法。銷量預(yù)測中主要運用多次平滑法中的二、三次指數(shù)平滑法。然后進(jìn)行第10步。2.10 參數(shù)估計指數(shù)平滑法中，需要確定的參數(shù)為平滑系數(shù)。然后進(jìn)行第11步。2.11 評估通過平均誤差， 平均絕對誤差和均方差來評估模型的擬合效果10。如通過評估，則可以進(jìn)行第12步進(jìn)行預(yù)測數(shù)據(jù);如沒有通過評估，則進(jìn)行第9步模型識別，調(diào)整模型。2.12 預(yù)測數(shù)據(jù)根據(jù)模型預(yù)測將來的數(shù)據(jù)值，并進(jìn)行預(yù)測精度分析：一是模型對現(xiàn)有數(shù)據(jù)的擬合程度;二是模型對將來預(yù)測數(shù)據(jù)的準(zhǔn)確程度，通常采用后驗預(yù)報方法進(jìn)行精度分析9。3 具體實例3.1 時間序列由中國汽車工業(yè)協(xié)會、MarkLines獲得20102018年

7、印度乘用車每月銷量如表1所示，印度乘用車銷量時間序列X（以下簡稱時間序列X），記 Xi為時間序列第i個月銷量。3.2 平穩(wěn)對時間序列是否是平穩(wěn)時間序列進(jìn)行檢驗。利用自相關(guān)系數(shù)（1）式中rp是時間序列X的p階樣本，Xt是時間序列X第t個月銷量，X-是時間序列X的均值。根據(jù)上式，利用R軟件計算各點p的自相關(guān)系數(shù)，并繪制相關(guān)系數(shù)如圖2所示，從圖中可以發(fā)現(xiàn)時間序列的自相關(guān)系數(shù)超過置信區(qū)間（圖2中虛線內(nèi)區(qū)間），可以判定時間序列X非平穩(wěn)。3.3 平穩(wěn)化3.4 模型識別3.5 參數(shù)估計在確定時間序列Y的模型之后，采用最小二乘法使參數(shù)et平方和達(dá)最小值（如式（4）所示）的方法：帶入20112018年樣本數(shù)據(jù)進(jìn)

8、行模型的參數(shù)估計，由R軟件擬合出時間序列Y ARMA（1，1）模型估計結(jié)果如表3所示。3.6 評估再確定模型具體形式，利用殘差進(jìn)行評估檢驗。殘差如式（6）所示：4 結(jié) 論利用20102018年印度乘用車銷量數(shù)據(jù)，首先對其季節(jié)差分獲得平穩(wěn)時間序列，然后識別出模型ARMA（1，1），并進(jìn)行參數(shù)估計及檢驗，最后利用此模型預(yù)測印度乘用車20192020年銷量。用2019年13月的實際銷售數(shù)據(jù)，對比預(yù)測數(shù)據(jù)得出預(yù)測誤差在5.20%內(nèi)。說明此方法進(jìn)行的預(yù)測具有一定的精度。同時如果數(shù)據(jù)更新，可以用文章的方法繼續(xù)預(yù)測后續(xù)銷量。Reference：1United Nations Department of Ec

9、onomic and Social Affairs Population Division . World Population Prospects： The 2017 RevisionEB/OL. （2019-07-1）2019-04-09.https：/wpp/Download/Standard/Population/.2IMF. 2018年世界經(jīng)濟展望排行榜單版EB/OL.（2018-10-09） 2019-04-09.https：/cmsid/20181022B00EVC/20181022B00EVC00.3張冬梅.逆勢增長5.32%，印度2021年將成全球第三大車市EB/OL.（20

10、19-01-018）2019-04-09.http：/a/289976869_120044219.4孫杰.千人汽車保有量170輛左右 國家發(fā)改委：消費升級趨勢依然強勁EB/OL.（2019-1-29）2019-04-09.https：/s？id=1623968075621898571&wfr=spider&for=pc.5白莉.2020年印度將成世界第三大汽車市場J.中國汽車界，2011（10）：26.6GEORGE E P BOX， GWILYM M NKINSJE， GREGORY C REINSEL. 顧嵐，主譯.時間序列分析：預(yù)測與控制M.北京：中國統(tǒng)計出版社，1997.7TSAY R，TIAO G. Consistent estimates of autoregressive parameters and extended sample autocorrelation function for stationary and nonstationary ARMA models J. Journal of the American Stat