文/賀享悅 路子彤（中國地質(zhì)大學[北京]）

一、數(shù)據(jù)獲取與分析

（一）數(shù)據(jù)獲取

1.全國乘用車銷量

本文以月為單位，選取2017 年2 月-2021 年2 月間全國乘用車的實際銷售量，來研究大數(shù)據(jù)搜索趨勢與我國乘用車銷售量之間的關(guān)系。所采集數(shù)據(jù)來源于NE 時代網(wǎng)站。

2.搜索指數(shù)

本文使用的搜索指數(shù)以“新能源汽車”關(guān)鍵詞在搜索平臺的搜索量為數(shù)據(jù)基礎，計算關(guān)鍵詞的搜索頻次的加權(quán)和。由于搜索指數(shù)與全國乘用車銷售量的單位不同，可比性不強，所以本文通過Z-Score 標準化：，其中。

將數(shù)據(jù)轉(zhuǎn)化為無單位的Z-Score分值，使得數(shù)據(jù)標準統(tǒng)一化。

（二）相關(guān)性分析

本文通過使用斯皮爾曼相關(guān)系數(shù)對各平臺關(guān)于“新能源汽車”關(guān)鍵字的發(fā)展趨勢指數(shù)和全國乘用車銷售量進行相關(guān)性分析，定量評估兩者之間的關(guān)聯(lián)性。本文選取了“360搜索指數(shù)”和“搜狗指數(shù)”兩個指數(shù)與全國乘用車銷售量進行相關(guān)性分析。由表1 和表2 可知，360 關(guān)注趨勢指數(shù)與全國乘用車銷售量顯著相關(guān)；搜狗指數(shù)與之不存在相關(guān)性。因此，將針對360 搜索指數(shù)進行研究。

表1 “新能源汽車”關(guān)鍵詞搜索指數(shù)和全國乘用車銷售量的相關(guān)性檢驗

表2 單根檢驗結(jié)果

（三）季節(jié)性分解

本文選取了2017 年2 月-2021年2 月間全國乘用車實際銷售量和“新能源汽車”搜索指數(shù)進行研究，由于兩組數(shù)據(jù)都是以月度為時間序列數(shù)據(jù)，所以對數(shù)據(jù)進行季節(jié)性分解處理，使之更適用于長期趨勢的研究。

（四）ADF 單根檢驗

本文采用ADF 檢驗法來檢驗時間序列的平穩(wěn)性。首先對時間序列進行對數(shù)化處理，再對時間序列進行單根檢驗。由表3、表4 可知，360 搜索指數(shù)時間序列與全國乘用車銷售量時間序列皆為1 階平穩(wěn)，為同階平穩(wěn)，符合協(xié)整檢驗的前提。

（五）協(xié)整檢驗及回歸方程

經(jīng)ADF 單位根檢驗可知全國乘用車銷售量序列和“新能源汽車”360搜索指數(shù)序列雖自身非平穩(wěn)，但是存在相似的趨勢和增長變化，因此兩者之間可能存在長期穩(wěn)定的比例關(guān)系，并且兩者均為一節(jié)單證序列，可以進行協(xié)整檢驗。

協(xié)整檢驗采用EG 兩步法，首先對全國乘用車銷售量序列和“新能源汽車”360 搜索指數(shù)序列進OLS 回歸。設置“新能源汽車”360搜索指數(shù)為自變量ZHISHU，全國乘用車銷量為因變量XIAOLIANG，進行OLS 推導，協(xié)整回歸方程式如下：

其中ε 為殘差項。

對ε 殘差序列進行ADF 單位根檢驗，結(jié)果如表3 所示。

表3 對ε 殘差序列進行ADF 單位根檢驗

由此可知，殘差序列不存在單位根，表明該序列平穩(wěn)。因此可以判斷全國乘用車銷售量和“新能源汽車”360 搜索指數(shù)之間存在長期均衡的協(xié)整關(guān)系。

（六）格蘭杰因果檢驗

因為兩組時間序列具有協(xié)整關(guān)系，所以本文使用格蘭杰因果檢驗模型來檢驗預測能力。

首先對var 模型的穩(wěn)定性進行檢驗。如圖1 所示，點均落在單位圓內(nèi)，對應的特征方程的特征根的絕對值小于1，模型穩(wěn)定。

圖1 VAR穩(wěn)定性檢驗

如表4，根據(jù)赤池信息量準則（AIC）、施瓦茨準則（SC）及漢南-奎因準則（HQ）結(jié)果選取了最佳滯后階段為2。

表4 確定VAR 模型滯后期

最后，進行格蘭杰因果檢驗。由表5 可知，在5%的顯著水平下，滯后二期的360 搜索指數(shù)是全國乘用車銷售量的格蘭杰原因?！靶履茉雌嚒标P(guān)鍵詞的360 搜索指數(shù)對全國乘用車銷售量的格蘭杰原因的概率為99.01%，因此關(guān)鍵詞“新能源汽車”的360 搜索指數(shù)可以作為一個有效的預測因子。

表5 格蘭杰因果分析結(jié)果

二、預測模型建立與分析

為了進一步驗證“新能源汽車”360 搜索指數(shù)對全國乘用車銷量的預測能力，本文先以全國乘用車銷量作為單一變量建立ARMA 模型，然后再加入搜索指數(shù)變量，建立多變量的VAR 模型，并對兩種模型的預測結(jié)果進行對比。模型都以2017 年3 月-2020 年2 月的數(shù)據(jù)為樣本期數(shù)據(jù)，2020 年3-9 月樣本期外的數(shù)據(jù)為驗證數(shù)據(jù)。

（一）ARMA 模型

通過觀察對數(shù)化后的全國乘用車銷量的自相關(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。得到預測結(jié)果如下：

銷量(t)=1221497.8816+AR(1)*銷量(t-1)+時間(t)+MA(1)*時間(t-1)

模型預測銷售量和實際銷售量的對比如圖2 所示。

由圖2 可以得出，該預測模型擬合程度相對較高。計算該預測模型的相關(guān)系數(shù)為0.89938145，擬合優(yōu)度較高。

圖2 2020年3-9月全國乘用車實際銷量與基于ARMA模型的預測銷量的對比

（二）VAR 模型

構(gòu)建VAR 模型要確定VAR 模型的滯后階段。本文通過比較，選擇滯后階數(shù)2 作為最佳滯后期建立VAR 模型。預測結(jié)果如下：

指數(shù)=0.862917095143* 指數(shù)(-1)-0.00323399781677* 銷量(-1)+8147.97046981

銷量=7.76447838425* 指數(shù)(-1)+0.303998512277* 銷量(-1)+1133702.05388

預測2020 年3-9 月全國乘用車汽車月度銷量數(shù)據(jù)對比，如圖3所示。

圖3 2020年3-9月全國乘用車實際銷量與基于VAR模型的預測銷售量的對比

由表4 可知，VAR 模型對全國乘用車月度銷量的平均預測誤差為2.8635625%，預測精度比較高，計算預測數(shù)據(jù)與實際數(shù)據(jù)的擬合優(yōu)度相關(guān)系數(shù)為0.918020769，比ARMA預測模型的相關(guān)系數(shù)高，由此表明運用VAR 模型預測全國乘用車月度銷量的可行性和可靠性，具有更好的預測能力。

三、結(jié)論

“新能源汽車”360 搜索指數(shù)與全國乘用車銷售量存在正相關(guān)，且存在長期均衡關(guān)系，因此可以使用“新能源汽車”360 搜索指數(shù)預測全國乘用車銷售量。本文還選取了以“新能源汽車”作為關(guān)鍵詞的搜狗指數(shù)，經(jīng)過相關(guān)性分析可知，“新能源汽車”搜狗指數(shù)與全國乘用車銷售量無相關(guān)性。說明盡管隨著互聯(lián)網(wǎng)的發(fā)展，各搜索指數(shù)反映網(wǎng)民關(guān)注趨勢，但其數(shù)據(jù)價值有所差異。

加入搜索指數(shù)的VAR 模型相較于傳統(tǒng)預測模型在樣本期間內(nèi)和樣本期間外的預測精度均有較大提升。反映了“新能源汽車”360 搜索指數(shù)是一個有效的預測因子。該模型可以利用全國乘用車銷售量前2 月的實際銷售數(shù)據(jù)和搜索指數(shù)來預測一個月后對乘用車的需求，提高了預測的準確度和及時性，降低了對歷史數(shù)據(jù)量的要求。

由研究表明，人們對新能源汽車的關(guān)注對汽車市場的發(fā)展有著重要的影響，說明新能源汽車是當前汽車市場的重要發(fā)展方向，具有重要地位。