多變國際形勢下新能源汽車銷量分析

余明洋 沈斌

摘 要：2022年初，國際政治經(jīng)濟(jì)局勢發(fā)生突變，能源產(chǎn)業(yè)分布呈現(xiàn)新的格局，以石油為代表的化石能源價(jià)格激增，從而引起了后繼新能源汽車銷量的異常及產(chǎn)能的格局變化。本文基于時(shí)間序列分析，在分析了新能源汽車月銷量序列的性質(zhì)后，引入Logistic模型作為修正，建立了一個(gè)復(fù)合預(yù)測模型，嘗試分析在外部突發(fā)因素影響下新能源汽車銷量的變化，并預(yù)測其未來走勢。本文在考慮到市場本身發(fā)展及外部突發(fā)因素影響的同時(shí)，又兼顧市場發(fā)展的延續(xù)性，更具合理性和適用性，從理論和實(shí)際兩方面更好解釋了相關(guān)長尾突發(fā)事件對(duì)整體數(shù)據(jù)變化的影響，在多種預(yù)測情形下具有重要意義。

關(guān)鍵詞： 新能源汽車；銷量預(yù)測；時(shí)間序列分析；Logistic模型；突發(fā)因素

本文索引：余明洋，沈斌.<變量 2>[J].中國商論，2023（12）：-168.

中圖分類號(hào)：F754.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2023）06（b）--05

1 引言

2022年2月底以來，國際政治經(jīng)濟(jì)局勢發(fā)生突變，能源產(chǎn)業(yè)分布呈現(xiàn)新的格局，進(jìn)而從對(duì)上游工業(yè)品價(jià)格的影響傳導(dǎo)到對(duì)下游各類高附加值產(chǎn)品價(jià)格的影響，并對(duì)能源產(chǎn)業(yè)、種植養(yǎng)殖業(yè)、化工原料及產(chǎn)業(yè)、光伏機(jī)及新能源產(chǎn)業(yè)、電子及汽車零部件等眾多行業(yè)產(chǎn)生了深遠(yuǎn)的鏈?zhǔn)接绊?。新能源汽車產(chǎn)業(yè)作為受能源價(jià)格和國內(nèi)外市場因素影響，并直接反映居民消費(fèi)能力的重要產(chǎn)業(yè)，一直是國家產(chǎn)業(yè)布局的權(quán)重行業(yè)。可以預(yù)見，國際形勢的多變不但短期內(nèi)影響能源產(chǎn)業(yè)的布局，并將在很長一段時(shí)間內(nèi)，通過各種市場和非市場的因素，直接或間接地改變我國新能源產(chǎn)業(yè)的發(fā)展。

在全球可持續(xù)性發(fā)展倡導(dǎo)下及國家“2030碳達(dá)峰，2060碳中和”的能源政策出臺(tái)的大背景下[1]，新能源汽車產(chǎn)業(yè)近十年呈現(xiàn)加速發(fā)展的趨勢。由于其本身具有節(jié)能低碳、環(huán)保零污染、產(chǎn)業(yè)鏈供給完善等優(yōu)點(diǎn)，新能源車的銷量也不斷攀高。2022年，新能源汽車銷量快速增加，其增速遠(yuǎn)超燃油車，市場份額也在快速增大?？梢灶A(yù)見，在不久的將來燃油車或?qū)⑼顺鰵v史舞臺(tái)，而新能源汽車將占據(jù)市場主體地位，走進(jìn)千家萬戶。

在此背景下，新能源汽車銷量的預(yù)測，始終受到行業(yè)內(nèi)外的關(guān)注與重視。目前已有多位學(xué)者采用不同模型做出了相關(guān)工作，例如于焱等（2021）[2]用自回歸模型對(duì)我國新能源汽車銷量做出預(yù)測，預(yù)測方法對(duì)幾年前的市場有較高的適用性，但隨著新能源汽車自身的快速發(fā)展，以及國際局勢的快速變化，消費(fèi)者觀念的改變等因素影響，此類預(yù)測方法普遍不能對(duì)突發(fā)事件作出快速反應(yīng)，其預(yù)測值往往滯后于市場，從而無法提供有效的分析和合理的應(yīng)對(duì)。例如于焱等（2021）采用的自回歸預(yù)測方式，預(yù)測2022年新能源汽車銷量為170萬輛，但2022年實(shí)際銷量為567.4萬輛，兩者相差甚大，可見單一模型的預(yù)測方法效果并不完備。

新能源汽車銷量在不同月份銷量呈現(xiàn)較大差異，受時(shí)間深度影響，即應(yīng)該選擇一種能夠刻畫季節(jié)效應(yīng)或月份效應(yīng)的預(yù)測方法。同時(shí)，業(yè)界已經(jīng)有許多學(xué)者采用“時(shí)間序列分析”方法，來分析受時(shí)間深度影響的數(shù)據(jù)，例如用于分析臭氧濃度的長期預(yù)報(bào)[3]，分析地表溫度過程[4]等。

基于此，本文嘗試提出一種新的統(tǒng)計(jì)模型方法對(duì)新能源汽車月銷量進(jìn)行預(yù)測，即綜合時(shí)間序列分析及 Logistic阻滯增長模型。具體步驟如下：第一，判定新能源車銷量時(shí)間序列模型參數(shù)；第二，依次利用歷史數(shù)據(jù)對(duì)已知月份的銷量數(shù)據(jù)做出預(yù)測值、，然后與真實(shí)銷量數(shù)據(jù)、比較得到殘差、；第三，用、確定 Logistic模型參數(shù)；第四，給出完整模型并驗(yàn)證模型合理性。

2 時(shí)間序列模型

為了建立最終模型，本文首先引入時(shí)間序列模型。所謂時(shí)間序列模型是利用已有歷史數(shù)據(jù)，通過曲線擬合和參數(shù)估計(jì)來建立模型進(jìn)行預(yù)測的方法，常用的模型有溫特斯加性模型、ARIMA（p，d，q）模型等。

本文首先引入時(shí)間序列平穩(wěn)性的概念，對(duì)于隨機(jī)過程產(chǎn)生的時(shí)間序列，如果滿足：

（1）期望E（）=，是與時(shí)間t無關(guān)的常數(shù)；

（2）方差Var（）=，是與時(shí)間t無關(guān)的常數(shù)；

（3）協(xié)方差Cov（， ）=f（m），f（m）只與時(shí)間間隔m有關(guān)，而與時(shí)間t無關(guān)則稱該時(shí)間序列具有平穩(wěn)性。

平穩(wěn)性對(duì)于時(shí)間序列本身及后續(xù)的分析都十分重要，該性質(zhì)保證了隨機(jī)變量的基本特性在一定時(shí)期內(nèi)保持不變，故而可用歷史數(shù)據(jù)來分析并預(yù)測未來情形。時(shí)間序列分析在各行業(yè)都得到了極大的應(yīng)用，例如常用于對(duì)匯率的預(yù)測[5]。然而現(xiàn)實(shí)生活中許多序列未必具有平穩(wěn)性，為做進(jìn)一步分析，常常需要把非平穩(wěn)序列轉(zhuǎn)換為平穩(wěn)序列，在研究中可以通過差分的方式將非平穩(wěn)數(shù)據(jù)處理為平穩(wěn)數(shù)據(jù)。在將非平穩(wěn)數(shù)據(jù)轉(zhuǎn)換為平穩(wěn)數(shù)據(jù)后，便可以針對(duì)不同分析對(duì)象構(gòu)建對(duì)應(yīng)的時(shí)間序列模型。

在對(duì)新能源汽車歷史銷量數(shù)據(jù)做分析后，本文選擇構(gòu)建時(shí)間序列模型中ARIMA（p，d，q）模型，以該模型對(duì)銷量做進(jìn)一步分析預(yù)測。對(duì)于ARIMA（p，d，q）模型而言，只需確定其參數(shù)p，d，q即可，其中d值即差分階數(shù)，例如對(duì)非平穩(wěn)序列做二階差分后變?yōu)槠椒€(wěn)序列，則d值為2。通過歷史數(shù)據(jù)，本文分析得出自相關(guān)（ACF），偏自相關(guān)（PACF）關(guān)系來確定p值和q值。

由新能源汽車歷史銷量數(shù)據(jù)，可得到新能源汽車銷量的時(shí)間序列圖（見圖1（a））。本研究對(duì)該數(shù)據(jù)進(jìn)行一階差分，得到一階差分后的新能源汽車銷量序列圖（見圖1（b））。由圖1（b）的結(jié)果可分析得到差分后數(shù)據(jù)滿足平穩(wěn)性，因此模型的d值取1。

根據(jù)序列殘差，本文可得該序列的ACF圖和PACF圖，如圖2所示，由此可得新能源汽車銷量序列模型的p，q值均為0，至此可確定時(shí)間序列模型為ARIMA（0，1，0）。

ARIMA（0，1，0）模型即隨機(jī)游走模型，其數(shù)學(xué)表達(dá)式為

其中為一個(gè)白噪聲。隨機(jī)游走是一種經(jīng)典的時(shí)間序列模型，通常用于描述某個(gè)變量隨著時(shí)間推移而發(fā)生的隨機(jī)變化。從其數(shù)學(xué)表達(dá)式可以看出，每個(gè)隨機(jī)擾動(dòng)項(xiàng)都是互相獨(dú)立且具有相同的方差S2的正態(tài)分布隨機(jī)變量。

ARIMA模型具有良好的分析數(shù)據(jù)的效用，因而其在各行各業(yè)具有廣泛應(yīng)用，如對(duì)自動(dòng)站風(fēng)速的預(yù)測。

同時(shí)，緣于溫度、濕度等其他因素干擾，最終的風(fēng)速預(yù)測精度將受到一定限制，最終效果并不良好。若不做進(jìn)一步分析，嘗試直接以ARIMA模型分析新能源汽車銷量數(shù)據(jù)，將得到表1所示的結(jié)果[6]：

由表1可見，通過ARIMA模型預(yù)測的銷量在最近一段時(shí)間總是少于實(shí)際銷量，且差距有放大的趨勢。與溫度、濕度對(duì)風(fēng)速預(yù)測的干擾相似，新能源汽車市場也受到多方面因素影響，使得預(yù)測數(shù)據(jù)不如期望良好。本文認(rèn)為在眾多影響因素中，最主要的是國際地緣沖突及伴隨而來的國際能源價(jià)格猛漲。在此因素影響下，國內(nèi)成品油價(jià)格上升迅速。這種外部突發(fā)變量打破了原有的市場秩序，使得大量的消費(fèi)者被迫認(rèn)識(shí)到新能源汽車的巨大優(yōu)勢。

從能源角度來說，新能源汽車長期受惠于國家政策扶持[7]，而電價(jià)始終保持在一個(gè)較低的平穩(wěn)價(jià)格上，因此消費(fèi)者逐漸棄油就電是具有合理性的。外部突發(fā)事件導(dǎo)致的油價(jià)大幅波動(dòng)顯然會(huì)傳到新能源汽車的銷售端，同時(shí)影響燃油車和新能源汽車的銷量。另外，新能源汽車銷量的大增本身也使得更多消費(fèi)者發(fā)現(xiàn)新能源汽車的益處，從而帶動(dòng)更多人選擇新能源汽車，形成銷售的正反饋機(jī)制，而外部突發(fā)事件的影響又放大了這種反饋效應(yīng)。可以預(yù)見，新能源汽車銷量增加的速度，即“銷量加速度”，在最近幾個(gè)月乃至一兩年內(nèi)應(yīng)該是遞增的，直到達(dá)到一個(gè)市場臨界值時(shí)，“銷量速度”和“銷量加速度”才有所變化，并逐漸趨于平緩。

從模型角度來說，原有的ARIMA模型對(duì)市場變化的反應(yīng)是滯后的，原有的歷史銷售數(shù)據(jù)也處在油價(jià)波動(dòng)平穩(wěn)的時(shí)代，使得這個(gè)模型的預(yù)測效果對(duì)于今后很長一段時(shí)間的預(yù)測并不理想，預(yù)測值偏低。

為此，本文將引入 Logistic模型作為修正項(xiàng)來反映突發(fā)事件對(duì)市場的影響。

3 Logistic模型

Logistic模型最初來源于對(duì)人口的增長預(yù)測。新能源車市場與指數(shù)模型最本質(zhì)的不同在于，Logistic模型考慮到客觀資源和環(huán)境條件的有限性，整個(gè)市場容納的銷量增量上限也是有限的，因此新能源汽車銷量的增長率隨著銷量的增加逐漸減少直至為0。反映在本模型中就意味著，多變的國際形勢對(duì)新能源車銷售市場的影響將在前期形成較大推動(dòng)作用，但隨著時(shí)間的推移逐漸減弱直至消失。這符合人們實(shí)際生產(chǎn)銷售的經(jīng)驗(yàn)，對(duì)其他突發(fā)情況產(chǎn)生的影響也具有相同的合理性和適用性。對(duì)于其他大宗商品，也可以從相關(guān)角度展開分析[8]。

其中，表示新能源汽車銷量數(shù)；表示時(shí)間；表示固有增長率；表示當(dāng)前市場所能容納最大銷售增量；表示新能源車銷售初值，表示市場阻滯作用，該模型的解為：

孟銀鳳等（2020）介紹了Logistic函數(shù)及其正則化方式，以及考慮到現(xiàn)階段新能源汽車銷量的實(shí)際情況，本文引入Logistic數(shù)學(xué)表達(dá)式為：

本文以2022年5月為起始月份，對(duì)應(yīng)值為0；2022年6月為下一月份，值為1；今后各月值依次加1。作為現(xiàn)實(shí)問題的客觀描述，必須合理準(zhǔn)確反映客觀數(shù)據(jù)。本文之所以選用2022年5月作為受多變國際形勢影響的起始月而棄用2022年4月數(shù)據(jù)，原因在于2022年4月上海爆發(fā)了新冠疫情，極大地影響了新能源車的產(chǎn)銷。相較石油價(jià)格的上升，疫情對(duì)新能源汽車銷量有更直接而迅速的影響?？紤]到上海疫情的后繼影響有限，本研究未納入Logistic修正模型。雖然國際形勢突變，但在2022年4月時(shí)對(duì)市場的影響尚不明顯。事實(shí)上，2022年4月新能源車銷量在2022年3月44.5萬輛的良好勢頭下，驟減為28.2萬輛。

外部的突發(fā)因素加劇了新能源汽車原有銷量的增長進(jìn)程，本文采用式（9）的Logistic方程補(bǔ)充了市場的增長性，同時(shí)還需要注意到這種增長是有上界的。在分析新能源汽車銷量序列滿足的時(shí)間序列模型及修正項(xiàng)后，可建立修正模型。

4 修正模型及新能源車銷量預(yù)測

基于上述分析，本文將新能源汽車銷量分為兩個(gè)構(gòu)成部分：一是市場未受油價(jià)影響時(shí)正常發(fā)展?fàn)顟B(tài)下的銷量Y，二是受油價(jià)影響下，市場迅速反應(yīng)后增加的部分Z，兩者之和即為未來新能源汽車銷量X=Y+Z。

通過時(shí)間序列模型算出Y的預(yù)測值，再用Logistic模型算出Z的預(yù)測值，相加即可得X的預(yù)測值，即

單獨(dú)使用時(shí)間序列模型和使用Logistic修正模型對(duì)銷量做出的預(yù)測圖像如圖3如示。

根據(jù)以往汽車銷量的數(shù)據(jù)經(jīng)驗(yàn)，一般汽車銷量在2022年6月達(dá)到了銷量歷史峰值，并透支了7月的消費(fèi)者購買欲望；8月往往因高溫、干旱、內(nèi)澇等氣候原因，以及停電、限電等生產(chǎn)端因素，降低了市場出貨和消費(fèi)意愿。因此，新能源汽車2022年7、8月的銷量降低，不及預(yù)期，導(dǎo)致模型得到的預(yù)測值高于實(shí)際銷量，略有失真。這一結(jié)果也深刻反映了系統(tǒng)往往受多個(gè)因素影響，后續(xù)為了模型預(yù)測的準(zhǔn)確性和實(shí)用性，可以進(jìn)一步探討在多維度因素影響下，整個(gè)新能源車銷售系統(tǒng)的表現(xiàn)情況。

作為對(duì)比，本文選取僅用時(shí)間序列模型對(duì)銷量進(jìn)行預(yù)測，結(jié)果如表3所示。

此外，本文比較線性回歸模型，用2020年1月以后的數(shù)據(jù)構(gòu)建模型，以時(shí)間為自變量，銷量為因變量，得到的模型如下：

其中表示各月份對(duì)應(yīng)的序列數(shù)值，如2020年1月時(shí)為1，2022年7月時(shí)為31，相應(yīng)的預(yù)測結(jié)果如表4所示。

值得注意的是，如果采用自2018年起的數(shù)據(jù)構(gòu)建線性回歸模型，得到的預(yù)測值偏差更大。

由最終的結(jié)果來看，修正模型的相對(duì)誤差在4%左右，較為理想，能對(duì)具有外界突發(fā)因素作用下的市場，作出較為理想的分析刻畫。而進(jìn)行參照的后兩個(gè)模型的相對(duì)誤差則超過10%乃至在20%以上，明顯不及修正模型，且如前所述的原因，預(yù)測值低于實(shí)際銷量，明顯滯后于市場，不能在突發(fā)因素作用于市場時(shí)做出良好分析，最終呈現(xiàn)出表4所示的結(jié)果。

本文提出的修正模型預(yù)測效果之所以優(yōu)于對(duì)比參照模型，主要有如下三個(gè)原因：

首先，修正模型考慮到外界突發(fā)因素對(duì)平穩(wěn)市場的影響，能將外界的影響納入系統(tǒng)本身，使得最終預(yù)測銷量不會(huì)滯后于市場。

其次，相較線性回歸模型，修正模型考慮到銷量在不同月份具有的明顯差異，能通過歷史數(shù)據(jù)分析市場淡季旺季，對(duì)不同的月份考慮到最大可能的銷量。最后對(duì)于修正模型，由Logistic函數(shù)的數(shù)值，可以充分了解到突發(fā)因素對(duì)市場的影響程度，而對(duì)比參照模型則顯然沒有考慮上述因素，且不具備此類分析功能。如上所述，修正模型的預(yù)測效果顯著優(yōu)于其余模型，相對(duì)誤差極小，具有良好的實(shí)際應(yīng)用價(jià)值。

5 模型評(píng)價(jià)

在過去新能源汽車市場發(fā)展處于初級(jí)階段時(shí)，因?yàn)槭袌霰旧硪?guī)模小，沒有外部突發(fā)影響因素，市場總體發(fā)展趨于平穩(wěn)，在未來可見的一段時(shí)間內(nèi)增長穩(wěn)定，采用時(shí)間序列分析具有合理性。但疫情發(fā)生以來，新能源汽車銷量快速增加，尤其在國際地緣政治沖突日趨明顯后，油價(jià)波動(dòng)劇烈下，銷量增加明顯加快，在未來有極大概率迎來飛速發(fā)展。以往的模型將越來越不適合今后的市場狀況，本文提出的預(yù)測模型，在考慮到市場本身發(fā)展的同時(shí)，考慮到外部突發(fā)因素的影響，又兼顧市場發(fā)展的延續(xù)性，更具合理性和適用性，對(duì)未來銷量預(yù)測效果更好。

與受國際形勢影響類似，疫情本身也是個(gè)突發(fā)的外部因素，且其短期抑制作用明顯強(qiáng)于油價(jià)的促進(jìn)作用，這便涉及市場作為一個(gè)系統(tǒng)在有正向與逆向的外部因素影響下，會(huì)作何變化。仔細(xì)分析，疫情對(duì)新能源車和傳統(tǒng)燃油車的影響是等價(jià)的，并且，只是延遲了消費(fèi)者的購買時(shí)間；而油價(jià)的波動(dòng)對(duì)兩者的銷量是不等價(jià)的，且對(duì)消費(fèi)者的消費(fèi)觀念有長期的影響。后疫情時(shí)代，原本的隨機(jī)游走模型對(duì)市場的反應(yīng)可以通過時(shí)間序列的平穩(wěn)性自我修正，但多變國際形勢的影響不能在此模型中自我修正，故而該修正模型具有實(shí)際意義。從幾個(gè)模型的比較來看，本文的模型也具有更好的適用性。

在此模型基礎(chǔ)上，后續(xù)研究可以考慮系統(tǒng)在正向與逆向兩重外部突發(fā)因素影響下的整體變化情況。重點(diǎn)在于參數(shù)的選擇和篩選，盡量采用較少的參數(shù)量體現(xiàn)多個(gè)事件的影響效果。這方面的研究不僅對(duì)新能源汽車市場的評(píng)估大有裨益，對(duì)其他系統(tǒng)性問題的研究也具有深遠(yuǎn)意義，具有良好的應(yīng)用前景。

參考文獻(xiàn)

胡鞍鋼.中國實(shí)現(xiàn)2030年前碳達(dá)峰目標(biāo)及主要途徑[J].北京工業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2021，21（3）：1-15.

于焱，苑鑫藝.我國新能源汽車市場銷量預(yù)測[J].內(nèi)燃機(jī)與配件，2021（6）：179-180.

李穎若，韓婷婷，汪君霞，等.ARIMA時(shí)間序列分析模型在臭氧濃度中長期預(yù)報(bào)中的應(yīng)用[J].環(huán)境科學(xué)，2021，42（7）：3118-3126.

高晴，柳欽火，黃海洋.地表溫度過程的時(shí)間序列分析[J].電子科技大學(xué)學(xué)報(bào)，2004（3）：282-284.

熊志斌.ARIMA融合神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測模型研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2011，28（6）：64-76.

蔣金良，林廣明.基于ARIMA模型的自動(dòng)站風(fēng)速預(yù)測[J].控制理論與應(yīng)用，2008（2）：374-376.

侯丹.新能源汽車補(bǔ)貼政策變化及會(huì)計(jì)處理探析[J].財(cái)會(huì)通訊，2020（19）：101-104.

徐鳳丹.俄烏沖突背景下中歐大宗商品價(jià)格走勢與中國對(duì)策研究[J].價(jià)格月刊，2022（9）：33-37.

孟銀鳳，梁吉業(yè).線性正則化函數(shù)Logistic模型[J].計(jì)算機(jī)研究與發(fā)展，2020，57（8）：1617-1626.