文章基于網(wǎng)絡(luò)搜索大數(shù)據(jù),以新能源汽車為例,結(jié)合統(tǒng)計(jì)學(xué)和計(jì)量經(jīng)濟(jì)學(xué)理論與方法,利用斯皮爾曼相關(guān)系數(shù)、協(xié)整檢驗(yàn)和格蘭杰因果關(guān)系,檢驗(yàn)分析了搜索指數(shù)與新能源汽車實(shí)際需求之間的關(guān)系。以新能源汽車歷史銷量作為單一變量建立自回歸滑動(dòng)平均模型（ARMA）,并與加入了搜索指數(shù)的向量自回歸模型（VAR）進(jìn)行比較。結(jié)果表明,加入搜索指數(shù)的預(yù)測(cè)模型相較傳統(tǒng)的預(yù)測(cè)模型,在樣本期內(nèi)和樣本期外的預(yù)測(cè)精度分別提高了11.69%和14.95%。該模型只需利用前4個(gè)月的新能源汽車銷售數(shù)據(jù)和網(wǎng)絡(luò)搜索大數(shù)據(jù),就能夠準(zhǔn)確地預(yù)測(cè)下一個(gè)月的需求,在提高預(yù)測(cè)時(shí)效性的同時(shí),也為個(gè)人、企業(yè)和政府決策提供可靠的依據(jù)。 

【文章來(lái)源】：可再生能源. 2020,38(07)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

2019年新能源汽車實(shí)際銷售量與基于ARMA模型的預(yù)測(cè)銷售量的對(duì)比

該方程的AIC=1.131 322,SC=1.399 300，擬合優(yōu)度為0.945 007。模型通過了AR特征根檢驗(yàn)，表明其具有穩(wěn)定性。式（4）對(duì)樣本期內(nèi)數(shù)據(jù)的均方根誤差為9 494.834，對(duì)樣本期外驗(yàn)證數(shù)據(jù)的均方根誤差為11 737.51。模型預(yù)測(cè)銷售量和實(shí)際銷售量的對(duì)比如圖2所示。由式（4）可知，兩個(gè)變量的各滯后期對(duì)新能源汽車銷售量均有正向性影響，但影響幅度不同，其中，新能源汽車銷售量滯后1期的影響最大，其次是“新能源汽車”百度指數(shù)的滯后4期。由模型可知，如果知道了新能源汽車前4個(gè)月的實(shí)際銷量并結(jié)合對(duì)應(yīng)期間的搜索指數(shù)，就可以預(yù)測(cè)出新能源汽車下個(gè)月度的需求。

【參考文獻(xiàn)】：
期刊論文
[1]我國(guó)新能源汽車月度銷售量預(yù)測(cè)模型研究[J]. 周彥福,王紅蕾.  軟件導(dǎo)刊. 2019(08)
[2]我國(guó)新能源汽車銷售量的預(yù)測(cè)模型[J]. 翟帆,雷玉瓊.  河南教育學(xué)院學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于搜索引擎關(guān)注度的網(wǎng)絡(luò)輿情時(shí)空演化比較分析——以谷歌趨勢(shì)和百度指數(shù)比較為例[J]. 陳濤,林杰.  情報(bào)雜志. 2013(03)
[4]網(wǎng)絡(luò)搜索與經(jīng)濟(jì)行為相關(guān)性研究綜述[J]. 孫毅,呂本富.  管理評(píng)論. 2011(07)



本文編號(hào)：2976161