基于ARMA时间序列模型中重卡行业市场趋势预测.docVIP

基于ARMA时间序列模型中重卡行业市场趋势预测 　　[摘 要]随着中国经济步入新常态，中重卡行业竞争进入白热化阶段，面临较大的产能过剩压力，对其市场需求变化进行判断，特别是中短期的准确分析有利于主机厂与相关第三方供应商的生产计划决策。文章引入ARMA时间序列模型，开展月度需求的预测分析，从结果来看拟合度较高、具有较好的应用价值。 　　[关键词]中重卡行业；市场预测；ARMA模型 　　[DOI]10.13939/j.cnki.zgsc.2018.04.076 　　1 引 言 　　中重卡行业市场需求预测方法较多，较为常用的有线性回归模型和非线性回归模型。[1]目前国内很多学者通过引入宏观经济、政策指标，如GDP、投资总额、社会消费品零售总额、钢材产量、煤炭产量等建构多元回归模型[2][3]，取得一定的效果。但由于影响因素较多，且这些因素又常常存在多重共线性，易于出现伪回归、显著性检验未通过、模型总体拟合度偏低的现象，同时由于众多相关因素的月度数据不易进行预测，因此这些模型通常较为适用于年度市场需求的分析判断。 　　在这种情况下，文章采用另一种方法，即利用中重卡行业具有周期性、季节性波动的特点，通过ARMA模型进行时间序列分析，刻画其发展过程中的自身变化规律，推测未来的趋势，在中短期外部环境变化相对较小的情况下，较好地判?嗥湫枨罅俊? 　　2 模型建构与实证分析 　　中重卡行业的月度时间序列包括4种变动因素：长期趋势因素、循环因素、季节变动因素和不规则因素。长期趋势因素代表经济时间序列长期的趋势特性；循环因素是以数年为周期的一种周期性变动，它主要是中重卡折旧换购、经济周期引起的；季节变动因素是每年重复出现的循环变动，以12个月或者4个季度为周期的周期性影响，以中重卡需求而言，是由居民生产生活季节性消费需求、农作物种收、工程安排等因素引起的。季节因素和循环因素的区别在于季节变动是固定间距（如季或月）中的自我循环，而循环因素是从一个周期变动到另一个周期，间距比较长且不固定的一种周期性变动。不规则因素又称随机因子、残余变动或噪声，这类因素是由一些突发事件引起的，如大规模水灾、极端恶劣气候、政策法规更改和预测偏误等。 　　在中重卡需求预测过程中，季节变动因素和不规则因素往往掩盖了经济发展中的客观变化，给研究分析经济发展趋势、判断目前经济所处的状态带来困难。因此，在预测之前需要对中重卡的历史数据进行季节调整，先剔除其中的季节变动因素和不规则因素，利用分解的趋势和循环因素进行研究。在预测了趋势和景气循环变动后，增加季节、不规则因素的干扰，从而较为有效地刻画整个变量未来的波动路径。 　　本次分析选用Census X12方法，X12季节调整方法的核心算法是扩展的X11季节调整程序，共包括4种季节调整的分解形式：乘法、加法、伪加法和对数加法模型，本次分析采用加法模型。 　　其中：TCt表示趋势―循环因素；St表示季节因素；It表示不规则因素。在加法模型中，季节因素和循环趋势的影响用绝对量来表示，与所要分析的现象的计量单位相同，分析起来比较直观。 　　2.1 Census X12分析 　　X12允许在季节调整前对被调整序列建立一个合适的ARIMA（p，d，q）模型，从2005年1月至2017年8月的月度走势看，中重卡市场走势具有较为明显的非平稳特征（见图1），利用EViews软件系统，通过ADF和Correlogram检验，选择ARIMA（1，2，2）模型有效性更高，对数据进行处理后，拆分得到TC、S、I因素数据（见图2～图4）。 　　从长期趋势来看，2008年以前底部攀升缓慢，峰峰值（波峰与波谷差值）较小，2008年后，振动幅度明显增大，波动性更强。从季节因素来看，引起中重卡需求季节性上涨的月份主要在3月、4月（工程采购旺季），而引起中重卡需求季节性下跌的月份主要在1月、2月（过年期间）。从不规则因子来看，不规则因子对部分月份需求的冲击非常大，如2009年4万亿元投资、2012年中重卡去库存、2016年治理超限新法规实施等。 　　2.2 TC序列建模 　　为了对走势进行预测，需要对TC序列进行建模。在建模之前，首先检验数据的平稳性，利用ADF检验得出表1结果。 　　从结果可知，在95%的显著水平下TC序列并不平稳（P=0.310.05），因此需要对TC序列进行一阶差分处理： 　　再对K序列进行ADF检验，结果如表2所示。 　　由结果可知K序列在95%的显著水平下拒绝有1个的单根假设（P=0.03240.05），可以利用其建立ARMA模型。通过多次模型模拟，ARMA（3，1）的回归拟合效果最好，其结果如表3所示。 　　根据显著性，可知模型为： 　　再结合公式（1）、公式（4）可以计算出模型预测值，将其与需求实