譚 濤， 黃澤濤， 林雁玲， 畢桂燦

（1.華南農(nóng)業(yè)大學(xué) 新農(nóng)村發(fā)展研究院， 廣東 廣州 510642； 2.華南農(nóng)業(yè)大學(xué) 新能源與新材料研究所， 廣東廣州 510642）

0 引言

隨著我國新能源汽車市場的不斷擴(kuò)張以及環(huán)保政策的持續(xù)推進(jìn)， 車企研發(fā)的重點(diǎn)和政府工作的焦點(diǎn)已逐步向新能源汽車行業(yè)轉(zhuǎn)移， 同時消費(fèi)者購買新能源汽車的意愿也與日俱增。 由于政府利好政策不斷、 充電設(shè)施建設(shè)日漸完善以及公民環(huán)保意識逐步提高， 未來一段時間里新能源汽車市場仍會不斷增長。在此背景下，如何科學(xué)地對新能源汽車需求進(jìn)行預(yù)測，對于個人安排購車計劃、企業(yè)制定產(chǎn)銷方案乃至政府謀劃發(fā)展方向都具有十分重要的作用。

當(dāng)前主流研究中，多數(shù)學(xué)者根據(jù)人口、政策經(jīng)濟(jì)等宏觀因素對新能源汽車需求進(jìn)行預(yù)測， 其方法主要有兩種： 一種是基于統(tǒng)計方法建立預(yù)測模型，例如線性回歸、指數(shù)平滑、灰色系統(tǒng)理論等；另一種是應(yīng)用機(jī)器學(xué)習(xí)模型，包括梯度提升、邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)等進(jìn)行預(yù)測。 Lieven[1]使用了2010-2018 年的新能源汽車銷量數(shù)據(jù)， 通過Logistic 增長模型對26 個國家的電動汽車保有量進(jìn)行了長期預(yù)測。 周彥福[2]采集了新能源汽車產(chǎn)量、 居民消費(fèi)價格指數(shù)等8 個影響新能源汽車銷量的因素并運(yùn)用灰色關(guān)聯(lián)法驗(yàn)證其影響力， 之后構(gòu)建了灰色神經(jīng)網(wǎng)絡(luò)月度銷量預(yù)測模型， 并使用果蠅算法對其進(jìn)行了優(yōu)化。翟帆[3]基于2011-2017年我國新能源汽車產(chǎn)銷情況， 先后建立了針對銷售量預(yù)測的馬爾薩斯模型和二次多項(xiàng)式模型。 上述方法均存在一個共同的特點(diǎn)， 即以政府及相關(guān)部門公布的過往市場銷售量作為主要數(shù)據(jù)樣本，由于歷史銷售數(shù)據(jù)存在一定的滯后性， 預(yù)測結(jié)果勢必會受到影響而產(chǎn)生預(yù)測偏差， 故這些預(yù)測只能在宏觀上提供指導(dǎo)。

在互聯(lián)網(wǎng)時代，人們習(xí)慣于購物前，尤其是購入新能源汽車這類高價值產(chǎn)品，“攻略” 意向產(chǎn)品的相關(guān)信息作為購買決策的重要參考。 不同的消費(fèi)者通過不同的渠道獲取意向車型的價格趨勢和口碑評價，而百度搜索是最常用的方式[4]。 大數(shù)據(jù)的實(shí)時性可以彌補(bǔ)傳統(tǒng)預(yù)測存在的延遲性缺點(diǎn)，但是，目前對新能源汽車需求的研究中，以網(wǎng)絡(luò)搜索大數(shù)據(jù)為導(dǎo)向的量化研究還較為匱乏。 通過探索大數(shù)據(jù)與新能源汽車需求之間的潛在聯(lián)系，分析兩者之間的關(guān)聯(lián)性并建立模型， 可以提高當(dāng)前新能源汽車需求預(yù)測模型的準(zhǔn)確性。 本文首先利用傳統(tǒng)的自回歸滑動平均模型（ARMA）作為單變量時間序列模型， 對新能源汽車銷售量進(jìn)行了初步預(yù)測。 然后與加入了關(guān)鍵詞搜索指數(shù)的向量自回歸模型（VAR）進(jìn)行預(yù)測精度的對比，期望獲得更為精確的預(yù)測結(jié)果。最后使用SPSS 25.0 軟件對所收集的數(shù)據(jù)進(jìn)行了相關(guān)性檢驗(yàn)和預(yù)處理， 而后使用EViews 10 軟件進(jìn)一步分析并建立了模型。

1 數(shù)據(jù)獲取與分析

1.1 數(shù)據(jù)獲取

1.1.1 新能源汽車銷售量的獲取

為了研究我國新能源汽車需求和網(wǎng)絡(luò)搜索大數(shù)據(jù)之間的關(guān)系， 本文以月為單位， 首先選取了2012 年1 月-2019 年12 月新能源汽車的實(shí)際銷售量，所采集的數(shù)據(jù)來源于中國汽車工業(yè)協(xié)會。

1.1.2 關(guān)鍵詞的獲取

當(dāng)前主流選擇關(guān)鍵詞的方法包括： ①主觀選詞法。根據(jù)用戶主觀經(jīng)驗(yàn)和常識選取關(guān)鍵詞；②需求分布圖法。 利用網(wǎng)絡(luò)搜索大數(shù)據(jù)在某領(lǐng)域聚合而成的需求分布圖， 該圖上由遠(yuǎn)及近地排列著相關(guān)檢索詞， 越靠近中心的關(guān)鍵詞表明其用戶需求越強(qiáng)；③長尾關(guān)鍵詞法。選擇用戶目標(biāo)檢索詞與非目標(biāo)檢索詞形成新的組合型關(guān)鍵詞。例如，目標(biāo)檢索詞是“新能源汽車”，非目標(biāo)檢索詞可以是“排行”，其組合而成的長尾關(guān)鍵詞是“新能源汽車排行”[5]。 本文將主觀選詞法和需求分布圖法相結(jié)合，選取了“新能源汽車”和“電動汽車”作為關(guān)鍵詞。為提高研究結(jié)論的客觀性，使用了兩個主流的長尾關(guān)鍵詞挖掘工具：愛站網(wǎng)（https://aizhan.com/）和詞庫網(wǎng)（http://www.ciku5.com/）進(jìn)行輔助分析，驗(yàn)證了所選關(guān)鍵詞的搜索量遠(yuǎn)大于其他相關(guān)關(guān)鍵詞的搜索量， 客觀地反映了人們實(shí)際的關(guān)注點(diǎn)和需求。

1.1.3 搜索指數(shù)的獲取

本文選擇我國中文搜索引擎用戶滲透率達(dá)90.90%的百度搜索作為搜索指數(shù)數(shù)據(jù)來源[4]。 百度指數(shù)是基于用戶的關(guān)注程度， 使用特定關(guān)鍵詞作為統(tǒng)計項(xiàng)計算出每個關(guān)鍵詞的檢索頻率加權(quán)和的開放平臺。百度指數(shù)數(shù)據(jù)按照每日更新的頻率，囊括了從2006 年6 月起所有的用戶搜索情況，反映了特定關(guān)鍵詞Ki的實(shí)際搜索次數(shù)與特定區(qū)域和時間內(nèi)的平均搜索量之間的比例關(guān)系，即：

1.2 數(shù)據(jù)分析

1.2.1 相關(guān)性分析

為了定量評估搜索指數(shù)與新能源汽車需求的關(guān)聯(lián)程度， 本文使用斯皮爾曼相關(guān)系數(shù)對各關(guān)鍵詞和新能源汽車銷售量進(jìn)行統(tǒng)計學(xué)上的相關(guān)性分析。如表1 所示，關(guān)鍵詞“新能源汽車”的百度指數(shù)與新能源汽車銷售量表現(xiàn)出顯著相關(guān)， 相關(guān)系數(shù)為0.919。而關(guān)鍵詞“電動汽車”的百度指數(shù)與新能源汽車銷量之間不存在相關(guān)性。因此，本文僅選擇“新能源汽車”的百度指數(shù)進(jìn)行后續(xù)的研究。

表1 百度指數(shù)和新能源汽車銷售量的相關(guān)性檢驗(yàn)Table 1 Correlation test between baidu index and new energy vehicle sales

1.2.2 季節(jié)性調(diào)整

本文使用的百度指數(shù)和新能源汽車銷售數(shù)據(jù)都是月度的時間序列數(shù)據(jù)，受季節(jié)性波動影響。為了更深入地反映序列的隱藏趨勢，本文采用SPSS 25.0 軟件對原始數(shù)據(jù)進(jìn)行了季節(jié)性調(diào)整， 排除季節(jié)特征、節(jié)假日等影響因素，處理后的數(shù)據(jù)結(jié)合了趨勢周期和偶然因素特征， 適用于長期趨勢的研究。

1.2.3 單位根檢驗(yàn)和協(xié)整檢驗(yàn)

為確保時間序列的平穩(wěn)性， 避免偽回歸現(xiàn)象，對其進(jìn)行對數(shù)化處理以消除異方差的影響，之后再執(zhí)行單位根檢驗(yàn)和協(xié)整檢驗(yàn)。 單位根檢驗(yàn)采用擴(kuò)展的迪克-富勒檢驗(yàn)法 （Augmented Dickey-Fuller Test， ADF）。由表2 可知，“新能源汽車”的百度指數(shù)和銷售量原序列不存在單位根，二者均平穩(wěn)，故兩個序列為0 階單整，符合協(xié)整檢驗(yàn)的前提。

表2 變量的單位根檢驗(yàn)結(jié)果Table 2 The results of variables unit root test

協(xié)整檢驗(yàn)采用恩格爾-格蘭杰 （Engle-Granger， EG）兩步法，首先建立“新能源汽車”百度指數(shù)和銷售量的回歸方程。隨后對該方程的殘差序列進(jìn)行單位根檢驗(yàn)。通過設(shè)置“新能源汽車”百度指數(shù)為自變量BI，銷售量為因變量SA，進(jìn)行最小二乘法（OLS）推導(dǎo)，最終的協(xié)整方程式如下：

對式（2）的殘差序列進(jìn)行單位根檢驗(yàn)，可知該序列不存在單位根，表明該序列平穩(wěn)。 因此，可以斷定“新能源汽車”百度指數(shù)和銷售量之間存在長期均衡的協(xié)整關(guān)系。 “新能源汽車”百度指數(shù)對數(shù)的回歸系數(shù)為2.026 2，即關(guān)鍵詞“新能源汽車”的搜索指數(shù)對數(shù)每增加1 個單位， 對新能源汽車的需求會相應(yīng)增加2.026 2 個單位。

1.2.4 格蘭杰因果關(guān)系檢驗(yàn)

存在協(xié)整關(guān)系的變量之間往往存在相互預(yù)測的能力，本文使用格蘭杰因果關(guān)系檢驗(yàn)來驗(yàn)證“新能源汽車”百度指數(shù)和銷售量間的預(yù)測能力。根據(jù)赤池信息量準(zhǔn)則（AIC）、施瓦茨準(zhǔn)則（SC）及漢南-奎因準(zhǔn)則（HQ）的結(jié)果選取了最佳滯后階段進(jìn)行格蘭杰因果關(guān)系檢驗(yàn)。由表3 可知，“新能源汽車”百度指數(shù)和銷售量間存在單向的因果關(guān)系，“新能源汽車” 百度指數(shù)對新能源汽車銷售量的格蘭杰原因的概率為98.48%，故關(guān)鍵詞“新能源汽車”的搜索指數(shù)可以作為一個有效的預(yù)測因子。

表3 變量的格蘭杰因果關(guān)系檢驗(yàn)結(jié)果Table 3 The results of variables Granger causality tests

2 預(yù)測模型建立與分析

為了進(jìn)一步驗(yàn)證搜索指數(shù)對新能源汽車需求的預(yù)測能力， 本文先以新能源汽車銷售量作為單一變量建立ARMA 模型，然后再加入“新能源汽車”百度指數(shù)這一變量，建立多變量的VAR 模型，并對兩種模型的預(yù)測結(jié)果進(jìn)行對比分析。

通過觀察對數(shù)化后的新能源汽車銷售量的自相關(guān)和偏自相關(guān)情況， 本文建立并比較了幾個不同的模型。 最終選擇擬合優(yōu)度較高、且AIC 與SC較小的ARMA（1，1）模型。 通過設(shè)定該模型2012年1 月-2018 年12 月的數(shù)據(jù)為樣本期數(shù)據(jù)，2019年1-12 月的樣本期外的數(shù)據(jù)為驗(yàn)證數(shù)據(jù)， 得到模型的預(yù)測結(jié)果如下：

該方程的AIC=1.207 550，SC=1.323 303，擬合優(yōu)度為0.939 619， 同時VAR 模型全部特征根的模的倒數(shù)均落在單位圓內(nèi)，證明模型存在穩(wěn)定性。 式（3）對樣本期內(nèi)數(shù)據(jù)的均方根誤差為10 751.36， 對樣本期外驗(yàn)證數(shù)據(jù)的均方根誤差為13 802.08。 模型預(yù)測銷售量和實(shí)際銷售量的對比如圖1 所示。

圖1 2019 年新能源汽車實(shí)際銷售量與基于ARMA模型的預(yù)測銷售量的對比Fig.1 Comparison of actual sales of new energy vehicles with predicted sales based on the ARMA model in 2019

構(gòu)建VAR 模型要綜合考慮似然比檢驗(yàn)（LR），最終預(yù)測誤差準(zhǔn)則 （FPE），AIC，SC 及HQ 的結(jié)果，從而判斷VAR 模型的滯后階段。 本文通過比較，選擇滯后階數(shù)（Lag Length Criteria）4 作為最佳滯后期建立VAR 模型，模型的預(yù)測結(jié)果如下：

該方程的AIC=1.131 322，SC=1.399 300，擬合優(yōu)度為0.945 007。 模型通過了AR 特征根檢驗(yàn)，表明其具有穩(wěn)定性。 式（4）對樣本期內(nèi)數(shù)據(jù)的均方根誤差為9 494.834，對樣本期外驗(yàn)證數(shù)據(jù)的均方根誤差為11 737.51。 模型預(yù)測銷售量和實(shí)際銷售量的對比如圖2 所示。

圖2 2019 年新能源汽車實(shí)際銷售量與基于VAR 模型的預(yù)測銷售量的對比Fig.2 Comparison of actual sales of new energy vehicles with predicted sales based on the VAR model in 2019

由式（4）可知，兩個變量的各滯后期對新能源汽車銷售量均有正向性影響，但影響幅度不同，其中，新能源汽車銷售量滯后1 期的影響最大，其次是“新能源汽車”百度指數(shù)的滯后4 期。 由模型可知， 如果知道了新能源汽車前4 個月的實(shí)際銷量并結(jié)合對應(yīng)期間的搜索指數(shù)， 就可以預(yù)測出新能源汽車下個月度的需求。

通過對比式（3）和式（4）發(fā)現(xiàn)：加入搜索指數(shù)作為變量后， 模型的擬合優(yōu)度提高了，AIC 和SC的值減少了；式（4）對不管是樣本期內(nèi)還是樣本期外數(shù)據(jù)的均方根差都有所降低， 預(yù)測精度分別提高了11.69%與14.95%。 從圖2 可以看出，預(yù)測值和真實(shí)值非常接近， 表明該模型具有更好的預(yù)測能力。

3 結(jié)論及建議

本文以新能源汽車為例， 在2012 年1 月-2019 年12 月分別檢驗(yàn)了關(guān)鍵詞“電動汽車”、“新能源汽車” 的搜索指數(shù)與歷史銷量是否存在相關(guān)性， 進(jìn)而利用協(xié)整檢驗(yàn)和格蘭杰因果關(guān)系檢驗(yàn)驗(yàn)證其對新能源汽車需求預(yù)測的影響。 將傳統(tǒng)基于歷史銷量模型和加入網(wǎng)絡(luò)搜索大數(shù)據(jù)模型的預(yù)測結(jié)果進(jìn)行了比較，得到以下結(jié)論。

①關(guān)鍵詞“新能源汽車”的搜索指數(shù)與新能源汽車銷售量存在正相關(guān)， 且二者存在長期均衡關(guān)系。 因而可以利用“新能源汽車”的搜索指數(shù)和銷售量對其未來需求進(jìn)行預(yù)測。 關(guān)鍵詞“電動汽車”的搜索指數(shù)與新能源汽車銷售量之間不存在相關(guān)性，說明了電動汽車雖然受到的關(guān)注度高，但并不是影響新能源汽車需求的有效因素。

②加入搜索指數(shù)的VAR 模型相較傳統(tǒng)預(yù)測模型在樣本期內(nèi)和樣本期外的預(yù)測精度均有較大提升， 這反映了網(wǎng)絡(luò)搜索大數(shù)據(jù)可以在準(zhǔn)確預(yù)測新能源汽車需求中起到積極作用。 該模型可以利用新能源汽車前1-4 月的實(shí)際銷售數(shù)據(jù)和搜索指數(shù)來預(yù)測下個月對新能源汽車的需求， 這極大地彌補(bǔ)了傳統(tǒng)預(yù)測方法對歷史數(shù)據(jù)量要求大、預(yù)測延遲性高的不足。

在大數(shù)據(jù)時代， 基于網(wǎng)絡(luò)搜索大數(shù)據(jù)驅(qū)動的新能源汽車需求預(yù)測是一個熱門的研究方向。 準(zhǔn)確、高效、合理地挖掘和分析互聯(lián)網(wǎng)上的數(shù)據(jù)并用以輔助決策，對個人、企業(yè)和政府有重大的意義。本文提出如下建議。①對個人的建議：利用網(wǎng)絡(luò)搜索大數(shù)據(jù)，獲取車輛動態(tài)信息。消費(fèi)者購車前在互聯(lián)網(wǎng)上對某些新能源車型進(jìn)行搜索， 反映了消費(fèi)者的購車意向、品牌偏好度和優(yōu)惠政策關(guān)注度。如果某款車型的搜索量大， 說明該車型受到的關(guān)注更多、需求更大，同時潛在的買家和優(yōu)惠條件也可能更多， 所以消費(fèi)者應(yīng)重點(diǎn)關(guān)注。 ②對企業(yè)的建議：利用網(wǎng)絡(luò)搜索大數(shù)據(jù)，把握企業(yè)發(fā)展方向。 本研究提出的預(yù)測模型在新能源汽車需求預(yù)測中具有較高的準(zhǔn)確性，這對車企以及所處汽車行業(yè)上、下游產(chǎn)業(yè)的企業(yè)合理安排生產(chǎn)銷售計劃有很大的幫助，保障了企業(yè)按時、按需研發(fā)出讓消費(fèi)者滿意的產(chǎn)品。 ③對政策的建議：利用網(wǎng)絡(luò)搜索大數(shù)據(jù)，制定相關(guān)政策措施。 新能源汽車需求的預(yù)測結(jié)果準(zhǔn)確與否， 將決定政府出臺的補(bǔ)貼政策和推廣措施是否及時、有效。基于網(wǎng)絡(luò)搜索大數(shù)據(jù)的預(yù)測模型能很好地彌補(bǔ)傳統(tǒng)預(yù)測方法的單一性和延遲性，增強(qiáng)政府政策決策時的主動性和預(yù)見性。