基于时间序列模型和神经网络模型预测新能源汽车销量

1. 数据来源

本文数据来源于中国汽车工业协会网的2015年1月~2023年4月的中国新能源汽车销量数据。另外，包括从2015年1月~2023年4月的中国汽车销量数据以及新能源汽车数据的市场渗透率。

1. 描述性分析

如表 1，本文对新能源汽车销量、市场渗透率和汽车销售量进行了描述性统计分析。从表中可以看出，本研究共有 100 个样本值，新能源汽车销量和市场渗透率的变异系数分别为 1.2002 和 1.1319，远高于汽车销售量的变异系数 0.2072，说明新能源汽车销量和市场渗透率的相对离散程度很高，反映了中国新能源汽车市场的不稳定性和增长潜力。另一方面，市场渗透率的最小值为 0.22%，最大值达到 33.76%，表明新能源汽车已经占据了一定比例的汽车市场，并且仍有很大的提升空间。因此，有必要关注新能源汽车的发展趋势和消费者需求。 

图 2——传统汽车及新能源汽车销量

如图 2所示，中国汽车销量呈现出稳定的态势，没有明显的上升或下降趋势，但受到季节性因素的影响，每年的二月份和十月份分别是汽车销售的淡季和旺季。值得注意的是，2020 年二月份的汽车销量出现了异常低迷的现象，这可能与当时的疫情爆发有关，导致了工厂停产和消费者信心下降。但随着疫情得到控制，七月份左右汽车销量恢复到正常水平。

图 3——新能源汽车销量及市场渗透率变化

观察图 3，可以明显观察到新能源汽车的销量有增长趋势，且存在一定的季节性波动，且在2022年10月新能源汽车的市场渗透率突破了30%。

 

1. 建立SARIMA模型

1. 数据处理

利用r的decompose函数是用来对该时间序列进行经典的季节分解的，即将时间序列分解为趋势、季节和随机三个部分。本文采用加法模型对原序列进行分解，公式为：Yt=Tt+St+et。分解结果如图 4。

图 4——序列趋势，季节，随机图

从趋势图中，我们可以看到该时间序列呈现出明显的增长趋势，并且增长速度逐渐加快，但是到了2023年左右，增长速度有所减缓，这可能与政策补贴的退坡有关。从季节图中，我们可以看到时间序列存在着明显的季节周期规律，以12个月为一个周期。从随机图中，我们可以看到随机部分基本趋于平稳，且没有明显的周期效应。

在建立SARIMA模型前，需要对数据进行平稳性检验。本文对原序列进行12步一阶差分，得到新的序列（记为diff_xx）。对diff_xx进行ADF检验和平稳性检验。根据表 2，表 3的检验结果，可以认为diff_xx为平稳非白噪序列，因此可以进行下一步的建模。

表 2——ADF检验