啤酒销售量与气象要素影响因素动态分析.docVIP

啤酒销售量与气象要素影响因素动态分析 　　摘要：文章运用VAR模型研究啤酒销售量与气象要素的动态影响。研究发现，气象要素对于啤酒销售量具有滞后响应作用，滞后期在2-4个月之间。从方差分解的结果可以看出，啤酒销售量自身的贡献率是最大的，而气象要素的贡献率，尤其是温度，其作用也是显著的。 　　关键词：啤酒销售量；气象要素；VAR模型；脉冲响应；方差分解 　　 　　一、引言 　　 　　改革开放以来，我国啤酒工业发展迅速。如今，啤酒的销售市场竞争激烈，要搞好销售，除了啤酒质量稳定，价格合理之外，还要有适应市场竞争的销售策略。天气会对许多种类产品的销售情况产生影响，已经被越来越多的中国企业所关注。因啤酒销售量直接受消费需求的影响，而消费需求在很大程度上与酷暑、严寒等天气变化密不可分。商家可根据天气的变化调控每月啤酒的出厂量，避免不必要的产品积压或脱销。同时，气象人员根据天气的变化，预算出啤酒销售量为厂家服务。因此研究气象要素对啤酒销售量的影响，对啤酒生产、销售以及消费者具有指导意义。 　　（一）VAR模型的建模思想及其步骤 　　传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端，使得估计和推断变得更加复杂。1980年Sims提出向量自回归模型（vectorautoregression，VAR）和向量误差修正模型（vectorerrorcorrectionmodel，VEC）就是非结构化的多方程模型。向量自回归（VAR）是基于数据的统计性质建立模型，VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR模型是处理多个相关经济指标的分析与预测最容易操作的模型之一，并且在一定的条件下，多元MA和ARMA模型也可转化成VAR模型，因此近年来VAR模型受到越来越多的经济工作者的重视。 　　（二）VAR（p）模型 　　一般的VAR（p）模型的数学表达式是： 　　yt=ν+A1yt-1+…+Apyt-p+B1xt+…+Brxt-r+μt t∈｛-∞，+???｝① 　　其中yt表示维内生变量向量；xt是d维外生变量向量；A1…Ap和B1…Br是待估计的参数矩阵，内生变量和外生变量分别有P和r阶滞后期；μt是随机扰动项，同期之间可以相关，但不能有自相关，不能与模型右边的变量相关。 　　在实际应用过程中，由于滞后期P和r足够大，因此能够完整地反映所构造模型的全部动态关系信息。但如果滞后期越长，那么所要估计的参数就会变得越多，自由度就会减少。因此需要在自由度与滞后期之间找出一种均衡状态。一般的准则就是取施瓦兹准则（SC）和赤池信息准则（AIC）两者统计量最小时的滞后期，其统计量为： 　　AIC=■+■② 　　SC=-■+■③ 　　式中k=m（rd+pm）表示待估计参数个数，n表示观测样本个数，同时满足： 　　l=-■（1+log2π）-■logdet■④ 　　（三）建模步骤 　　建模步骤：平稳性检验；格兰杰因果检验；确定最大滞后阶数；VAR平稳性检验；VAR参数估计；脉冲响应函数；方差分解。 　　 　　二、资料来源 　　 　　金华市金狮啤酒销售部提供的2000年1月-2005年12月金华市金狮啤酒销售量，金华市气象局提供的2000年1月~2005年12月温度、绝对湿度、降水量和日照的资料。 　　（变量符号：啤酒――BEER，温度――T，绝对??度――HUN，降水量――RAIN，日照――SUN）。 　　 　　三、实证分析 　　 　　（一）平稳性检验 　　由于一般的时间序列都是非平稳的，而VAR模型要求时间序列是平稳的，因此首先检验时间序列的平稳性，得出BEER、T、HUN、RAIN和SUN的t统计量值分别为t=-6.22、-7.62、-6.83、-7.99和-5.69，远比显著性水平1%的临界值都小，所以，拒绝原假设，时间序列是平稳的。 　　（二）格兰杰因果检验 　　由于VAR模型是非结构化的，且模型形式已被确定为线性形式，需要确定哪些变量间有相互作用及反映变量彼此之间相互影响的最大可能滞后阶数。 　　 　　 　　由表1的结果可知，气象要素与啤酒销售之间是相互影响、相互制约的，可以建立VAR模型。 　　（三）确定最大滞后阶数 　　VAR模型中一个重要的问题就是滞后阶数的确定。在选择滞后阶数P时，一方面想使滞后阶数足够大，以便能完整反映所构造模型的动态特征。但是另一方面，滞后阶数越大，需要估计的参数越多，模型的自由度就减少。 　　表2给出了0－6阶VAR模型