大数据驱动的我国新能源汽车需求分析

发布时间：2021-01-14 03:55

　　文章基于网络搜索大数据,以新能源汽车为例,结合统计学和计量经济学理论与方法,利用斯皮尔曼相关系数、协整检验和格兰杰因果关系,检验分析了搜索指数与新能源汽车实际需求之间的关系。以新能源汽车历史销量作为单一变量建立自回归滑动平均模型（ARMA）,并与加入了搜索指数的向量自回归模型（VAR）进行比较。结果表明,加入搜索指数的预测模型相较传统的预测模型,在样本期内和样本期外的预测精度分别提高了11.69%和14.95%。该模型只需利用前4个月的新能源汽车销售数据和网络搜索大数据,就能够准确地预测下一个月的需求,在提高预测时效性的同时,也为个人、企业和政府决策提供可靠的依据。 

【文章来源】：可再生能源. 2020,38(07)北大核心

【文章页数】：5 页

【部分图文】：

2019年新能源汽车实际销售量与基于ARMA模型的预测销售量的对比

该方程的AIC=1.131 322,SC=1.399 300，拟合优度为0.945 007。模型通过了AR特征根检验，表明其具有稳定性。式（4）对样本期内数据的均方根误差为9 494.834，对样本期外验证数据的均方根误差为11 737.51。模型预测销售量和实际销售量的对比如图2所示。由式（4）可知，两个变量的各滞后期对新能源汽车销售量均有正向性影响，但影响幅度不同，其中，新能源汽车销售量滞后1期的影响最大，其次是“新能源汽车”百度指数的滞后4期。由模型可知，如果知道了新能源汽车前4个月的实际销量并结合对应期间的搜索指数，就可以预测出新能源汽车下个月度的需求。

【参考文献】：
期刊论文
[1]我国新能源汽车月度销售量预测模型研究[J]. 周彦福,王红蕾.  软件导刊. 2019(08)
[2]我国新能源汽车销售量的预测模型[J]. 翟帆,雷玉琼.  河南教育学院学报(自然科学版). 2019(01)
[3]基于搜索引擎关注度的网络舆情时空演化比较分析——以谷歌趋势和百度指数比较为例[J]. 陈涛,林杰.  情报杂志. 2013(03)
[4]网络搜索与经济行为相关性研究综述[J]. 孙毅,吕本富.  管理评论. 2011(07)



本文编号：2976161