基于SARIMA的我国汽车销量预测分析

中国乘用车销量分析及乘用车销量预测受宏观经济增速放缓、中美贸易摩擦、消费者信心下降等因素影响，2018年下半年乘用车市场景气度明显下行，加之去年同期由于购臵税优惠政策退出提前消费形成的较高基数，导致车市9至11月连续3月同比出现双位数下滑。

2018年1-11月乘用车销量同比减少2.8%，其中SUV与轿车销量小幅下滑，MPV与交叉型乘用车销量仍呈现较大幅度下滑。

卡车行业增势良好推动商用车销量小幅增长。

蓝天保卫战与重点省市陆续提前实行国六排放标准拉动重卡需求，重卡市场在较高基数下1-11月仍实现1.6%增长。

受益部分微卡需求转化为轻卡、皮卡在部分省市解禁需求释放，轻卡1-11月同比增长11.0%。

分阶段补贴政策导致上半年新能源客车销量有所透支，下半年销量较为低迷，1-11月客车销量同比下降7.0%。

1-11月乘用车景气度下降数据来源：公开资料整理1-11月商用车销量增势良好数据来源：公开资料整理轿车、SUV车型销量小幅下降，自主品牌市场份额有所下滑。

2018年1-11月乘用车四类车型中均呈现不同程度的下滑，其中轿车和SUV销量小幅下滑，同比分别下降1.4%和0.8%，SUV销量占狭义乘用车总销量比例继续提升至42.8%，MPV与交叉型乘用车销量下滑较大，分别下降16.1%和18.1%。

1-11月乘用车细分车型销量同比均现下滑数据来源：公开资料整理SUV销量占狭义乘用车总销量比例持续提升数据来源：公开资料整理随着小排量购臵税优惠政策退出与SUV车型逐渐进入低增长区间，加上低价车型滞销，2018年1-11月自主品牌乘用车市占率为41.9%，与上年同期相比下降了1.5个百分点，自主品牌市场份额有所缩减。

受大众品牌换代和多款有竞争力车型陆续上市影响，德系品牌份额有较为显著的提升，预计市占率仍会继续提升；日系品牌市占率也提升较快；美系品牌受贸易战和福特品牌的影响，市占率出现较大的下滑；韩系品牌由于终端促销较大，市场份额有所提升；法系车市场持续低迷。

中美汽车销量预测王颖硕 B33北京交通大学摘要本文的目的在于预测未来中美的汽车销量，使用的是统计学中回归的方法。

在预测中考虑到了GDP，新房销售量，人口，平均收入，以及股票市场的指数（美国使用的是道琼斯指数，中国使用的是沪市指数）五个因素对汽车销量的影响。

文章的第一部分，首先对两国汽车销量分别与五种因素进行一元回归。

这样在同一因素下，就可以通过调整的R Square统计量对比，找出统一因素对两国影响度不同的原因。

文章的第二部分则是对汽车销售量进行最后的整体预测。

得出，未来汽车销量的回归方程。

最后，通过预测的过程中遇到的问题，来比较中美经济发展的不同。

关键词回归；汽车销量预测；发展正文1.问题的提出几十年前，能看见一辆私家车在街上跑，那绝对是稀罕事。

而今天，随着人们生活水平的提高。

汽车渐渐的走入了我们的生活之中。

在街上跑着一辆汽车不再大惊小怪。

而现在，我们面对的是一再的堵车。

而与美国相比，几十年前，大街上就开始了汽车的飞驰，而今天，技术的发展，经济的增长，美国的汽车销量又面临着一种怎么样的状况呢？我们引入了GDP，新房销售量，人口，平均收入，以及股票市场的指数五个因素，来分析这些因素对汽车销量的影响，并且对比这些因素在两国之间所起作用的大小，并找出原因。

2.因素分析2.1GDPGDP是衡量一个国家生产能力的标准，所以我们引入GDP来对汽车销量进行回归预测。

使用GDP作为自变量，汽车销量为因变量为做一元线性回归。

我们得到：(上图为中国，下图为美国)回归统计中国美国Multiple R 0.959187 0.565703R Square 0.920039 0.32002Adjusted R Square 0.914709 0.289111标准误差72687.3 1041295观测值17 24我们从图表中可以得出，中国的R Square与美国的R Square=0.32相比，高达0.92。

这不禁让我产生了疑问，为什么一元回归中，中国GDP拟合程度这么高。

基于SARIMA模型对我国进出口总额的预测作者：田少娟来源：《科学与财富》2019年第09期摘要：本文首先介绍了时间序列模型的基本理论，国内的很多学者曾使用时间序列中的ARIMA模型对我国的进出口额进行预测，但进出口额数据不仅具有趋势性，还具有季节性，因此本文采用季节时间序列的SARIMA模型，采用从2006年1月到2017年10月的月度数据对我国的进出口额进行了预测，以提高预测精度。

关键词：进出口额，SARIMA模型一、引言我国的对外贸易对我国经济社会的发展作出非常重大的贡献，进出口总额占GDP的比重最高时高达60%左右，作为拉动国内发展的“三驾马车”之一，改革开放以来我国的进出口总额从整体上来看呈显著增加的趋势，随着经济全球化的不断发展和改革开放的不断深化，我国的对外贸易对就业机会的扩大，人民生活水平的提高，经济社会的稳定等具有非常重要的作用。

因此，对我国目前的对外贸易情况进行分析并且对我国的进出口额进行预测将具有非常重要的现实意义。

二、模型的建立和预测2.1基本模型ARIMA模型全称为单整自回归移动平均模型，又称作博克斯-詹金斯模型。

它是由美国统计学家博克斯（Box）和英国统计学家詹金斯（Jenkins）于70年代初创建的一个著名的时间序列预测模型。

B-J预测方法适合于对时间序列的典型特征难以作出判断的时间序列的预测，而且它也无需像回归分析方法中必须花费大量时间需找解释变量。

它只要事先假定一个可能适用的模型，然后按照一定的程序反复识别改正，以求得一个较为满意合理的预测模型。

ARIMA 模型可以对非平稳时间序列进行预测分析，是一种精度较高的短期预测模型。

它主要包含三个参数—自回归阶数（p）、差分阶数（d）、移动平均阶数（q）、一般模型的形式记为ARIMA （p，d，q）。

另外ARIMA模型可以分为三种类型：（1）自回归模型（简称AR模型）;（2）移动平均模型（简称MA模型）;（3）单整自回归移动平均模型（简称ARIMA模型）。

汽车销量预测模型一、摘要本小组利用网络收集2001到2011年汽车销售的数据，分析影响汽车销量的因素，用excel软件对这些数据进行处理分析，再用matlab软件分别做出乘用车年销售量、商用车年销售量、汽车年销售总量拟合的方程。

方法一是：乘用车、商用车年销售量的方程相加得出汽车年销售总量；方法二是：直接利用2001到2011年汽车年销售量的数据用matlab软件拟合得出模型方程。

最后把两种方法得出的结果进行对比。

二、问题重述汽车年销量是指一年卖出的汽车数量，总销量是乘用车和商用车两者销量相加。

汽车未来的销量数据对汽车行业制定未来生产规划有着重要的意义。

请你根据我国以往汽车销量（总销量或乘用车销量）的数据，用数学建模的方式预测未来5年中国汽车年总销量或年乘用车销量的增长速率。

三、问题分析在国际标准中，汽车分为两类，即乘用车和商用车。

乘用车是在设计和技术特性上主要用于在科技及其随身行李和/或临时物品的汽车，包括驾驶员座位在内最多不超过9个座位，它也可以牵引一辆挂车。

乘用车分为普通乘用车、活顶乘用车、高级乘用车、小型乘用车、敞篷车、仓背乘用车、旅行车、多用途乘用车、短头乘用车、越野乘用车、专用乘用车、旅居车、防弹车、救护车等，前6种乘用也可俗称轿车。

商用车是在设计和技术特性上用于运送人员和货物的汽车，并且可以牵引挂车。

商用车分为客车（包括驾驶员座位在内的座位数超过9座的车辆，客车有单层的或双层的，也可牵引1个挂车。

客车有细分为小型客车、城市客车、长途客车、旅游客车、铰接客车、无轨客车、越野客车、专用客车）、半挂牵引车、货车（货车又细分为普通货车、多用途货车、全挂牵引车、越野货车、专业货车和专用货车）三大类。

影响汽车销量的主要因素有：人口增长、政府的相关政策、经济的发展水平。

所以建立模型时将这些影响因素假设为在未来五年是相对稳定的。

四、模型假设中国社会在未来五年内保持相对稳定，不发生突发性事件导致社会动乱。

Statistics and Application 统计学与应用, 2023, 12(1), 17-24 Array Published Online February 2023 in Hans. https:///journal/sahttps:///10.12677/sa.2023.121003基于多元线性回归的新能源汽车销量影响因素研究陈龙上海理工大学，上海收稿日期：2023年1月9日；录用日期：2023年1月29日；发布日期：2023年2月13日摘要随着当今世界科技的快速发展，汽车行业也随之飞速发展。

在带给人们出行便利的同时，燃油车对于世界上不可再生资源的消耗以及其对环境的恶劣影响，人们不得不选择更加经济环保的新能源汽车，其中以纯电动汽车发展的最为迅速。

现在人们在买车时都会考虑新能源汽车，这对新能源汽车企业来说既是机遇又是挑战。

本文通过2021~2022年我国主流新能源汽车的销量统计，利用多元线性模型进行线性回归，来分析影响新能源汽车销量的几个因素，主要有价格、充电时间、百公里能耗及电池类型等因素，并通过异方差检验以及多重共线性检验来验证模型的可行性。

最终通过标准化回归模型来找出对销量影响的最主要因素是电池充电时间，为新能源汽车企业以及消费者提供一定的帮助。

关键词新能源汽车，异方差，多重共线性检验，销量Research on Influencing Factors of NewEnergy Vehicle Sales Based on MultipleLinear RegressionLong ChenUniversity of Shanghai for Science and Technology, ShanghaiReceived: Jan. 9th, 2023; accepted: Jan. 29th, 2023; published: Feb. 13th, 2023AbstractWith the rapid development of science and technology in today’s world, the automobile industry陈龙also develops rapidly. While bringing convenience to people’s travel, due to the consumption of non renewable resources in the world and its adverse impact on the environment, people have to choose more economical and environmentally friendly new energy vehicles, among which pure electric ve-hicles are developing most rapidly. Now people will consider new energy vehicles when buying cars, which is both an opportunity and a challenge for new energy vehicle enterprises. Based on the sales statistics of China’s mainstream new energy vehicles from 2021 to 2022, this paper uses the multiple linear model for linear regression to analyze several factors affecting the sales of new energy ve-hicles, mainly including price, charging time, 100 km energy consumption and battery type, and ve-rifies the feasibility of the model through heteroscedasticity test and multiple collinearity test. Fi-nally, the standardized regression model was used to find out that the most important factor affect-ing the sales volume was the battery charging time, so as to provide some help for new energy ve-hicle enterprises and consumers.KeywordsNew Energy Vehicles, Heteroscedasticity, Multicollinearity Test, Sales VolumeCopyright © 2023 by author(s) and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言随着社会的发展，当今世界的汽车产业也随着时代飞速发展。

基于SARIMA模型的分析及预测SARIMA（季节性差分自回归移动平均）模型是一种时间序列分析方法，用于对具有季节性和趋势性的数据进行建模和预测。

在本文中，我们将对SARIMA模型进行分析，并使用它来预测未来的数据。

首先，我们需要了解时间序列数据的特点。

时间序列数据是按照一定时间间隔收集到的数据，通常具有趋势性、季节性和随机性。

趋势性指的是数据随时间的推移而变化的规律；季节性是指数据呈现出周期性的变化；随机性是指数据中存在的不可预测的波动。

SARIMA模型结合了自回归（AR）、差分（I）和移动平均（MA）模型，用于对时间序列数据进行建模和预测。

它的建模过程可以分为以下几个步骤：1.数据的平稳性检验：首先，我们需要检验数据的平稳性。

平稳性是指数据的平均值和方差在时间上保持不变。

可以使用单位根检验（如ADF测试）来检验数据的平稳性。

如果数据不平稳，我们需要进行差分操作，直到数据变为平稳时间序列。

2.自相关和偏自相关函数的选择：根据平稳时间序列数据的自相关和偏自相关函数图像，选择合适的AR和MA阶数。

自相关函数（ACF）反映了数据与自身在不同时间滞后之间的相关性，偏自相关函数（PACF）衡量了数据与滞后时间之间的纯相关性。

3.确定季节性阶数：对于具有季节性的时间序列，我们需要确定季节性的阶数。

可以分析季节性差分后的ACF和PACF图像来选择合适的阶数。

4.模型拟合和诊断：利用选择的AR、MA和差分阶数，我们可以拟合SARIMA模型。

然后，对模型进行残差分析，检查是否存在自相关、偏自相关以及残差序列是否符合白噪声模型。

5.模型预测：通过将模型应用于历史数据，我们可以预测未来时间段的数据。

以此为基础，我们可以进行进一步的分析和决策。

在实际应用中，我们一般使用统计软件（如R或Python中的statsmodels库）来进行SARIMA模型的拟合和预测。

这些软件会自动帮助我们选择合适的模型参数，并提供模型诊断的结果。

基于SARIMA模型的分析及预测一、研究背景众所周知，对金融产品的价格预判是众多投资者在投资决策、风险评估、资金管理中至关重要的一环。

如何利用科学的分析方法，对海量数据进行有效分析、深度挖掘，并建立价格预测模型，形成研发竞争力，这是长期以来，所有金融研究人员殚尽竭虑、穷尽个人和团队智慧，孜孜以求想要解决的一道重要课题，许多经济学家和金融精英也围绕价格走势的预测进行了大量的理论研究和实证分析。

经典研究结果证明：大多数K线图是按照时间顺序记录的图表呈现，是连续随机过程的离散化观察结果，可以作为时间序列进行处理。

本文主要运用时间序列的确定性因素分解方法和SARIMA(季节时间序列，SeasonalAutoregressiveIntegratedMovingAverage)模型分析法，借助于EXCEL加载宏和EVIEWS软件对数据进行处理和模型拟合，尝试得到对现货黄金价格的走势预测，也由此建立量化研究的初步参考。

因其中涉及过多的专业术语和金融知识，我们不希望使得文章看起来过于晦涩，所以弱化了其中复杂的数据处理和校验诊断过程，以更为简单直观的方式呈现给大家，也欢迎更多的深入研讨和指正建议。

二、SARIMA模型简介本文认为，任何时间序列在经过合理的函数变换之后，都可以分拆为3项：即趋势项、周期项和随机项。

趋势项反映的是整体价格走势的方向，周期项则表示特定时间周期内的价格变化特点；随机项，则考虑的是不确定或者突发条件下（比如当前的美国债务谈判、地缘政治、恐怖袭击、央行干预等等），产生的价格随机信号和随机噪声（我们需要在数据整理过程中，剔除噪音项），以上3项的效果叠加，形成了资产的即期价格。

SARIMA模型，全称为自回归单整移动平均季节模型，主要是基于经济学理论知识和计量经济学方法，对研究标的物的变量因素建立序列回归，并利用样本数据观察值（周期项）和随机项对价格走势进行短期测算。

三、数据选取和模型建立3.1原始数据预处理：本文以现货黄金2013年1月1日至7月15日的日收盘数据为时间序列变量，如图1所示，可以明显看出这个时间序列存在异方差，在经过对数处理、一阶差分和季节差分处理后，自相关和偏自相关均已落入随机区间，如图2，可以认为处理过后的序列（图3）为平稳的时间序列，进入模型建立和测试阶段。