胡 潔

（上汽通用五菱汽車股份有限公司， 廣西 柳州 545026）

0 引言

汽車行業(yè)的繁榮發(fā)展是國(guó)家基礎(chǔ)國(guó)力強(qiáng)大的表現(xiàn)，它對(duì)其上下游供應(yīng)鏈、國(guó)民就業(yè)、乃至整個(gè)國(guó)民經(jīng)濟(jì)拉動(dòng)影響深遠(yuǎn)，因此一直是國(guó)家大力發(fā)展的行業(yè)之一。 近年，國(guó)內(nèi)人民物質(zhì)生活極大豐富，個(gè)性化需求突顯，汽車行業(yè)也快步進(jìn)入了供給側(cè)改革的重要時(shí)期。 但汽車生產(chǎn)及推新經(jīng)濟(jì)投入大，如何準(zhǔn)確把握市場(chǎng)先機(jī)，以最經(jīng)濟(jì)的方式生產(chǎn)出滿足用戶需求的個(gè)性化產(chǎn)品， 已經(jīng)引起廣大車企的重點(diǎn)關(guān)注，其中銷量預(yù)測(cè)往往又是一個(gè)重要環(huán)節(jié)。

1 汽車銷量預(yù)測(cè)方法研究

根據(jù)近年汽車市場(chǎng)特征及銷量影響因素，預(yù)測(cè)方法大致分為以下幾類：

（1）政策法規(guī)。 汽車屬于納稅商品，國(guó)家對(duì)其實(shí)施稅收優(yōu)惠政策時(shí)，消費(fèi)者的實(shí)際購(gòu)車成本降低，從而對(duì)汽車銷售產(chǎn)生短期促進(jìn)作用。 劉曉凝[1]和孫磊等[2]分析了汽車稅種和汽車購(gòu)置稅優(yōu)惠政策對(duì)私人汽車保有量的影響。 吉寶衛(wèi)[3]通過(guò)定性和定量結(jié)合方法研究了政策對(duì)新能源汽車銷量的影響。 張佳等[4-5]通過(guò)靜態(tài)面板模型和個(gè)人危機(jī)理論應(yīng)對(duì)模型得出汽車召回對(duì)銷量的負(fù)面影響。

（2）互聯(lián)網(wǎng)效應(yīng)。 近年來(lái)，互聯(lián)網(wǎng)對(duì)汽車銷量的影響愈發(fā)明顯。 雷霄霄[6]通過(guò)抓取汽車垂直網(wǎng)站的評(píng)論運(yùn)用回歸分析和非線性BP 神經(jīng)網(wǎng)絡(luò)模型分析出在線評(píng)論對(duì)SUV 銷量的促進(jìn)作用。張須姣[7]分析了互聯(lián)網(wǎng)對(duì)汽車營(yíng)銷帶來(lái)的新契機(jī)。 曹永立等[8-10]分別得出網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)汽車市場(chǎng)的有效預(yù)期，涉及百度指數(shù)、時(shí)間序列、混合模型、機(jī)器學(xué)習(xí)等。

（3）消費(fèi)者情感。 消費(fèi)者自身的購(gòu)買意向、品牌關(guān)注度是決定其購(gòu)買行為的重要因素。蔣翠清[11]提出了基于消費(fèi)者關(guān)注度的Atetention_LSTM 模型預(yù)測(cè)汽車銷量動(dòng)態(tài)趨勢(shì)。 常丹[12]提出了情感分析Darmia_RNN 模型，既考慮用戶評(píng)論影響，又發(fā)揮了時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。

（4）季節(jié)影響等其他。汽車市場(chǎng)呈季節(jié)性變化，如春節(jié)、金九銀十等， 使得汽車銷量在一年內(nèi)有規(guī)則的變化，據(jù)此時(shí)間序列模型是汽車銷量預(yù)測(cè)中應(yīng)用最廣泛的方法之一[13-14]。

以上方法基本上以確定數(shù)作為處理基礎(chǔ)， 但實(shí)際歷史數(shù)據(jù)或網(wǎng)絡(luò)信息都存在一定的不確定性。 目前在汽車銷量預(yù)測(cè)領(lǐng)域，不確定性的預(yù)測(cè)方法還比較少。 目前，不確定性處理方法基本有三種：概率、模糊數(shù)和區(qū)間。 基于概率和模糊論的不確定性方法需要大量樣本信息來(lái)建立描述不確定因素的概率分布函數(shù)和模糊隸屬度函數(shù)，區(qū)間理論對(duì)數(shù)據(jù)量要求不大，但它計(jì)算不可逆性、語(yǔ)義描述有局限。作為一種新的不確定性量化方法，廣義區(qū)間利用上下界的序關(guān)系區(qū)分不同語(yǔ)義描述， 通過(guò)相應(yīng)運(yùn)算符使計(jì)算可逆，在一定程度上彌補(bǔ)了區(qū)間理論不足。本文提出基于廣義區(qū)間時(shí)間序列方法用于汽車銷量預(yù)測(cè)。

2 模型與算法

2.1 廣義區(qū)間算法

表1 廣義區(qū)間四則運(yùn)算

2.2 基于廣義區(qū)間的季節(jié)調(diào)整模型

（1）建立乘法模型。 第t 個(gè)月的銷量用廣義區(qū)間數(shù)Yt表示。假設(shè)其影響因素歸納為行業(yè)趨勢(shì)Tt、季節(jié)變化St和其他不確定性Ut， 則Yt=F （Tt，St，Ut），Tt，St，Ut∈KR，t=1……n，n∈R。

（2）計(jì)算季節(jié)指數(shù)。

月度銷量的移動(dòng)平均為：

3 實(shí)例應(yīng)用

以國(guó)內(nèi)歷年汽車月度資料為例， 應(yīng)用上文提出的廣義區(qū)間季節(jié)調(diào)整模型。

（1）建立汽車銷量時(shí)間序列，以2010-2018 年國(guó)內(nèi)汽車月度銷量作為參考，構(gòu)建t=36 個(gè)月的廣義區(qū)間數(shù)時(shí)間序列原始值，見表2。

表2 廣義區(qū)間數(shù)時(shí)間序列原始值

（2）計(jì)算季節(jié)指數(shù)，見表3。

表3 1- 12 月季節(jié)指數(shù)

（3）確定變化趨勢(shì)，見表4。

表4 消除季節(jié)影響的時(shí)間序列值

計(jì)算b1=[2.56，4.13]，b0=[82.88，196.25]，則

（4）銷量預(yù)測(cè)。 將t=37～48 帶入公式，經(jīng)過(guò)季節(jié)調(diào)整得最終預(yù)測(cè)值，見表5。

表5 最終預(yù)測(cè)值

由于該實(shí)例的原始數(shù)據(jù)使用的是2010-2018 年數(shù)據(jù)，我們以2019 年的國(guó)內(nèi)汽車月度銷量作對(duì)比，見圖1，預(yù)測(cè)區(qū)間基本涵蓋2019 年真實(shí)銷量值，差異月份平均誤差在4.6%。

圖1 區(qū)間預(yù)測(cè)值與2019 年實(shí)際值對(duì)比

另外，真實(shí)值多處于預(yù)測(cè)區(qū)間的下限附近，說(shuō)明預(yù)測(cè)區(qū)間不確定性偏大。如前文所述，廣義區(qū)間計(jì)算既有值域還有邏輯語(yǔ)義。 廣義區(qū)間計(jì)算關(guān)系的語(yǔ)義解讀由廣義區(qū)間的模態(tài)（標(biāo)準(zhǔn)/非標(biāo)準(zhǔn)）及其在數(shù)學(xué)關(guān)系中出現(xiàn)的位置（數(shù)學(xué)關(guān)系符號(hào)的左/右側(cè)）所決定[16]。 為了涵蓋所有不確定性，本文計(jì)算參數(shù)均采用了標(biāo)準(zhǔn)模態(tài)區(qū)間，當(dāng)標(biāo)準(zhǔn)模態(tài)區(qū)間出現(xiàn)數(shù)學(xué)關(guān)系符號(hào)的左側(cè)時(shí)，語(yǔ)義邏輯為?，即意味著對(duì)該可能范圍內(nèi)的所有值都滿足。 如果銷量的影響因素“可控”，則可指定對(duì)應(yīng)計(jì)算參數(shù)為非標(biāo)準(zhǔn)模態(tài)區(qū)間，語(yǔ)義邏輯為?，即可通過(guò)采取一些措施達(dá)到目標(biāo)銷量，即企業(yè)的一些促銷政策等。

4 結(jié)論

本文圍繞汽車銷量影響因素及其預(yù)測(cè)模型， 指出了當(dāng)前業(yè)內(nèi)研究缺乏不確定性因素考慮的現(xiàn)狀， 由此提出了基于廣義區(qū)間算法和季節(jié)調(diào)整模型的汽車銷量預(yù)測(cè)方法， 并以國(guó)內(nèi)汽車月度歷史銷量作為實(shí)力， 介紹該模型的應(yīng)用步驟。 由于篇幅所限，本文無(wú)法詳細(xì)闡述廣義區(qū)間在邏輯語(yǔ)義上的計(jì)算優(yōu)勢(shì)。 下一步將結(jié)合銷量預(yù)測(cè)中的不確定性因素， 如網(wǎng)絡(luò)評(píng)論、 消費(fèi)者關(guān)注度、 品牌情感等， 研究廣義區(qū)間在汽車銷量預(yù)測(cè)中的廣泛性和有效性。