青岛市汽车保有量预测

青岛市汽车保有量预测（精选6篇）

青岛市汽车保有量预测 第1篇

进入新世纪, 尤其是在加入世贸组织以后, 我国经济平稳飞速发展, 汽车, 也早已从曾经少数人才用得起的奢侈品, 变成了当下普通人也能够购买的耐用品而进入了寻常百姓家。截止到2014年4月, 全国机动车保有量已突破2亿5千6百万 (其中, 汽车144277266辆, 摩托车94300947辆, 挂车1963557辆, 上道路行驶的拖拉机15473055辆, 其他机动车24149辆) , 而私人汽车保有量也直逼1亿大关。从过往的数据上看, 中国私人汽车保有量呈现出明显的指数型增长。

而青岛作为中国东部沿海重要的经济中心城市和港口城市, 是沿黄流域和环太平洋西岸重要的国际贸易口岸和海上运输枢纽, 汽车数量的快速增长更是成为了青岛市必须直面的大问题。近年来, 随着青岛经济的快速发展和青岛市民收入水平的不断提高, 汽车已然成为青岛市民出行最常用的交通工具之一。同时, 随着汽车数量的飞速增长, 交通拥堵、燃油紧张、空气污染、交通事故频发等诸多负面影响也在不断增加。作为最直接反映城市交通状况的关键参数之一———汽车保有量及其变化趋势就非常值得我们关注并加以研究。

二、经典模型回顾

现今我国对汽车保有量, 尤其是民用汽车保有量的增长预测仍处在一个起步阶段, 多数专家学者采用回归模型、神经网络、灰色模型等对其发展作出预测。加拿大Queens大学经济系王旖旎就曾用Gompertz模型详细研究过人均收入水平与汽车拥有率之间的非线性关系, 但她重点关注的是小型汽车 (8座或8座以下) 的拥有率, 与一个城市整体的汽车保有率还是存在着较大的差别, 但其研究思路也给了本小组很好的启发引导作用。邓恒进和胡树华两人曾共同用Logestic模型对我国汽车保有量的增长进行过长期分析, 但在使用该模型的过程中, 两人并未就模型中的一个重要参数———中国汽车保有量极限做出精确定量分析, 仅凭经验取值难免有失偏颇, 此外, 中国经济发展区域差距巨大, 如此大范围的一锅端还是很难起到给各地区实际交通问题提出合理意见的作用。程赐胜和苏玲利曾基于遗传BP算法对我国汽车保有量做出过预测, 创新性地将遗传算法和BP网络结合起来, 各取其长, 对过去已有的成果做出了极大的改进, 然而由于该算法过于复杂, 本小组只是从中吸取了可供利用的经验及思路。除此以外, 还有其他很多成功的例子, 在此不一一举例了。

鉴于本小组成员的知识结构与水平, 本文中将采用被广泛认可且简单实用的Gompertz模型和Logistic模型, 分两步走———汽车保有率发展趋势、汽车保有量发展趋势, 对城市汽车保有量的变化趋势做出预测。

三、汽车保有率 (Gompertz模型) 模型准备

影响汽车保有量变化的因素纷繁复杂, 城市人口、收入水平、道路建设、经济形势、燃油价格、出行需求、停车设施、国家政策、人口结构等都影响着汽车保有量。纵观所有影响因素, 我们发现, 收入水平是一个可以很好反映其他各项指标的参数, 此外, 根据国际经验我们不难发现, 收入水平与汽车保有率之间存在着十分显著的相关性。因此, 我们将借助收入水平来研究汽车保有率的变化。

如上所述, 收入水平和汽车保有率之间存在着显著的正相关关系, 但是汽车保有率的增长不会一直随着人均收入的增长而增长。根据经济学相应原理可知, 作为一种耐用品, 汽车保有率的变化通常会经历三个阶段:加速增长时期、减速增长时期、饱和及回落时期。常用的有饱和水平限制的模型主要有类对数模型和Gompertz模型。由于之前有过类似的研究, 这里采用Gompertz模型对青岛市汽车保有量进行预测。

Gompertz模型最早是由英国的人寿保险专家B.Gompertz在1820年为预测人口增长而提出来的, 并由美国学者R.Prescott在1922年首次应用于市场预测。在此, 我们借用Gompertz模型来讨论增长模式类似的收入水平。

四、模型假设

本文中所涉及到的收入水平均指人均可支配收入。严格来说人均可支配收入等于人均GDP减去税收, 但由于人均GDP很好地反映了人均可支配收入的分布及变化趋势, 因此本文用人均GDP来代表人均可支配收入。同时, 为了减少通货膨胀及利率等因素的影响, 我们将各年GDP单位均换算为美元。

模型建立:

这里以人均可支配收入作为自变量来建立Gompertz方程:

V (x) :青岛市汽车拥有率, 定义为青岛市汽车保有量/青岛市总人口数。

x:青岛市人均收入水平, 本文用人均GDP来近似替代人均可支配收入。

α、β:该模型待估计的参数。

γ:餍足点, , 表示在消费汽车时, 消费者最为偏好的一点。即当汽车保有率不等于γ时的效用都比等于γ时的效用要差。由参考文献知世界平均餍足点为0.62, 在充分听取多方意见并结合青岛市实际情况后, 我们认为青岛市汽车保有率餍足点取值为0.50较为合适。

ε:需求的收入弹性系数, , 需求的收入弹性是指在价格和其他因素不变的条件下由于消费者的收入变化所引起的相同商品 (或一篮子商品) 需求数量发生变化的程度大小。通常用需求的收入弹性系数来表示收入弹性的大小。在这里汽车需求量的收入弹性系数即为V (x) 关于x的一阶导数。

五、模型求解

Gompertz模型方程:经过简单的数学变换之后, 我们最终要回归的等式可以写作如下形式:ln (lnγ-lnV) =ln (-α) +βx。由青岛市人口、青岛市汽车保有量、青岛市人均GDP数据的历史数据 (见附录一) 可以拟合得出α、β的估计值, 也就得到青岛市汽车保有率与人均GDP的关系式。

更进一步, 为了弄清楚增长速度何时由加速变为减速, 我们做如下处理。数学上通过对x求二阶导数并取其为0, 我们可以解得拐点。

拐点为:x=14812.8453, 说明当青岛市人均GDP达到14812.8453美元时, 曲线开始由凸变凹, 反映汽车拥有率开始由加速增长变为减速增长 (如图) 。

由右图中我们可以看出汽车拥有率和人均GDP的长期关系大致呈S形的曲线。汽车拥有率在低收入阶段增长缓慢, 然后随收入水平的提高加速增长, 之后逐渐减速增长直至趋近餍足点。

根据Gompertz方程的性质, 我们发现从长期来看, 收入弹性是一个先增长后下降的曲线, 这也很好地契合了经济学中对人们在财富积累过程中对某一商品的需求的特征的描述。采用Gompertz方程的理由是它比对数模型更灵活, 尤其是在高低不同收入阶段Gompertz方程能表现出不同的曲率。

因此, 我们可以认为, 该模型较好地刻画了青岛市汽车保有率随人均GDP变化的趋势。

六、汽车保有量 (Logistic模型) 模型准备

在统计分析预测中, S形曲线一般用于新产品的扩散和销售预测, Logistic曲线便是其中最为常用的一种模型。Logistic方程最早是由比利时数学家Verhu于1838年推导出来, 由于其能较好地描述某些有界增长现象 (S型曲线增长) , 现已广泛地应用于预测学、信息科学、生物学、农业学和经济学等多个领域。Logistic曲线模型是描述因变量随时间变动趋势的模型, 因其计算简单, 经济含义明显, 在新产品市场扩展分析方面已被广为应用。本文探讨青岛市汽车保有量的增长模式, 认为青岛市汽车保有量的增长模式符合美国Edwin Mansfield关于新产品市场扩张的Logistic模型, 可以根据历史数据, 拟合出青岛市汽车保有量增长曲线。

模型假设:

由上一个Gompertz模型根据人均GDP, 以及青岛市人口极限计算出的青岛市汽车保有量餍足点大约为2936464辆 (此处不考虑青岛市道路发展、青岛市生态环境等其他因素发生显著变化的可能) 。

模型建立:

M:青岛市城市汽车最大容纳量, 也即青岛市所能容纳的汽车数量的最大值。

q (t) :t时刻青岛市的汽车保有量。某市的汽车保有量是指该市所拥有的汽车数量。

, t时刻青岛市的汽车保有量占青岛市汽车保有量餍足点的比率。这是Logistic模型描述产品数量的参数。

a、b:模型中的常数。

tx:F=x时, t的取值, 其中x∈ (0, 1)

七、模型求解

对Logistic模型的微分方程运用变量分离法解得, 进而得到。其中, 这时可以利用历史数据进行线性拟合, 从而求得的a、b值。

(函数图像对于参数, 以2000年为起点。)

八、模型分析

如上图所示, logistic模型的曲线呈现出S形, 可以看出产品保有量先加速增长, 后减速增长, 最终趋于保有量餍足点。

对求二阶导数, 得到Ftt, 令Ftt=0, 可以得到拐点。并且发现在拐点处有F=0.5的关系。可以看出, 拐点附近是新产品市场扩张最为迅速的区域, 即新产品市场保有量增长最迅速的区间;拐点以前, 保有量的增长速度逐渐增大, 拐点以后, 保有量的增长速度逐渐减小;一般设定新产品快速成长区F为[0.2, 0.8], 对应的时间为[t0.2, t0.8], 即新产品保有量快速成长期的长度为Δt=t0.2-t0.8。

右图纵坐标表示F, 横坐标表示t, 坐标原点对应2000年, 作为即时起点, 红色描点表示2000年至2012年实际的F值。

可以看出青岛市汽车保有量正处于加速增长阶段, 大约在2009年进入了快速增长阶段, 大约在2016年到达拐点, 然后减速增长, 最后约在2036年达到饱和。

九、模型评价

运用Logistic模型可以很好地解释青岛市汽车保有量的增长情况。

现有的各种分析基本上都是依据影响汽车产业的各种因素, 尤其是GDP增长和收入增加来预测汽车保有量状况, 进而希望依此来指导交通、能源、产业、环保等政策的制定。考虑到更多因素的对汽车保有量的影响固然可以使模型更加全面和完善, 但是会使得预测汽车保有量需要更多的数据, 并且要对未来的影响因素先做出预测, 继而才能用来预测汽车保有量, 误差自然大大增加。而logistic只需知道最大保有量与一些历史数据, 就可用以预测未来汽车保有量, 显然更为方便实用。而且logistic模型是考虑到一个系统中环境条件对“种群”数量增长的阻滞作用, 汽车保有量的增长符合其规律, logistic模型相较于线性组合模型等长期预测的精确度较高。

在这个模型中, 最大的误差来源就是对估计的误差及logistic模型本身的缺陷, 不能加入一些影响因素对汽车保有量增长的影响。

在进行拟合是直接运用matlab的内置函数, 其标准是最小二乘原则。国内一些文章称运用遗传算法进行拟合, 得到的结果会比较适合中长期的预测, 最小二乘原则只适合短期的预测。或许在拟合的方法上可以做一些改进。

十、结论

根据历史数据及本文所建模型我们得知, 青岛市汽车保有量正处在发展最快的阶段, 并在今后20年内速度逐渐放缓直至汽车保有量将翻一番。在现如今青岛市区交通已然如此拥堵的情况下, 青岛市汽车保有量增速将放缓是一个可以预见的事实。同时, 市政府对于城市道路、公共交通的建设力度也将会逐渐加大以满足越来越大的出行需要和缓解恶劣的交通环境。总得来说, 根据Gompertz模型, 以及Logestic模型对青岛市汽车保有量增长趋势的估计是符合人们的历史经验的, 预测结果也是可以接受的。

当然, 本文也存在着许多缺陷。首先, 本文并没有一个很好的理论可以支撑对餍足点的选取, 这种不准确的、由经验决定的取值多多少少影响到本文两个模型的精确性。其次, 在日常生活中我们发现, 一个家庭拥有多辆汽车或者一个个人拥有多辆汽车的现象开始增多, 这是我们暂时无法纳入考虑范围但却是对城市汽车保有量未来增长趋势有重要影响的一个因素。最后, 本文仅仅是根据历史的数据, 以及对模型的大范围简化来预测青岛市汽车保有量的发展趋势, 而汽车数量增长对整体环境的反作用, 如对环境的影响, 对城市建设的影响等多方面因素都没有考虑在内, 对如何制定相应政策来缓解青岛市区的交通拥堵也无实质性的帮助, 在今后的研究中理应多注重解决实际问题。

附录一

本文所用数据均来自“青岛市统计信息网”

附录二:Gompertz模型所用计算机程序代码

附录三:Logestic模型所用计算机程序代码

摘要：本文应用历史数据, 以人均GDP为主要影响因素, 建立了青岛市未来汽车保有率的初级模型, 并结合汽车保有量的历史变化规律, 对未来青岛市汽车保有量作出预测。结果表明, 青岛正处在汽车保有量快速增长阶段, 而后逐渐减速增长, 约20年后达到饱和。

参考文献

[1]王旖旎.中国汽车需求预测——基于Gompertz模型的分析[J].财经问题研究, 2005, (11) .

[2]任玉珑.基于Logistic组合模型的中国民用汽车保有量预测[J].工业技术经济2011, (8) .

[3]韦保仁.中国汽车保有量及年产量预测模型研究[J].城市车辆, 2004, (4) .

[4]邓恒进.基于Logistic模型的我国汽车保有量增长期分析[J].企业经济, 2008, (8) .

[5]程赐胜.基于遗传BP算法的我国汽车保有量预测[J].长沙交通学院学报, 2005, 21: (2) .

[6]蒋艳梅.Logistic模型在我国私人汽车保有量预测中的应用研究[J].工业技术经济, 2010, (11) .

[7]马艳丽.我国未来汽车保有量情景预测研究[J].公路交通科技, 2007, 24: (1) .

汽车保有量极限以及年份预测 第2篇

1 模型假设

1.1 现行政策不变。

1.2 汽车能源技术基本没有进步。

1.3 连续两年汽车保有量之差为第二年的汽车销售量。

1.4 汽车保有量函数X (t) 为连续。可微函数。

符号说明:

yt时间t时刻的汽车销售量;t时间 (1992年为t=1) ;bi多项式曲线模型的待估参数 (i=0, 1, 2, 3) ;r汽车保有量的增长率;x汽车保有量;xm汽车保有量的峰值;a最初期保有量增长率;r (x) 关于保有量x函数;Q新能源汽车的销售量;C在没有外界干扰下的新能源汽车销售量为一个常数;V新能源汽车的技术更新系数;v (x) 在系数v数值下的新能源汽车销售增加量;p (x) 在汽车保有量增长率r下的新能源汽车销售增加量。

(注:数据来源于统计局官方网站) 单位:万辆

2 模型的建立

2.1 汽车销售量的预测

在现行产业政策下, 现有的能源技术条件下, 根据收集的十七年来汽车的销售量 (表1) , 建立模型对我国未来十年汽车销售量进行预测。由表1中的数据得到t-yt折线图:

根据此折线图的趋势, 可以对折线添加多项式和指数类型的趋势线。

2.2 模型建立。对折线图添加趋势线选定多项式类型 (二阶和三阶) , 得图2。

二阶的拟合优度R21=0.9912小于三阶的拟合优度R22=0.994, 而且更高阶的多项式曲线模型不稳定, 不适合用于相对稳定的预测, 所以选择三阶的多项式曲线模型, 故可建模型:yt=b0+b1t+b2t2+b3t33 (多项式曲线模型) 。

记时刻t的汽车保有量为x (t) , 由于函数为连续可微函数, 记初始时刻 (t=1) 的汽车保有量为x1, 那么单位时间内x (t) 的增量等于增长率r乘以x (t) 。在t到t+△t时间内的汽车保有量增量, 显然有:x (t+△t) -x (t) =rx (t) △t。

当△t趋于0时得到x (t) 满足的微分方程:dx/dt=rx x (0) =x1

由以上方程可得:x (t) =x1ert, 当r>0时, 保有量按指数规律随时间增, 就成为指数增长模型。对折线图添加指数类型的趋势线, 得下图:

由上图可知, 指数曲线的拟合优度R2=0.9503, 所以拟合得也是很好的。

2.3 模型求解。

对于两个模型分别用最小二乘法 (利用Matlab) 求出各自的参数估计值:

2.4 多项式曲线模型与指数曲线模型的比较。

运用各自的模型曲线算得相应的预测值, 得下表:

再分别算出, 多项式模型的平均绝对误差为:17.62;指数模型的平均绝对误差为41.91。显而易见多项式模型预测的精确程度比指数模型的预测结果的精确度高一些。而且, 指数曲线模型较少用于10年的长期预测, 所以选择多项式模型来预测在现行产业政策下, 现有汽车能源技术下我国未来十年的汽车销售量更为合理。用多项式曲线模型预测结果为:

摘要：在现行产业政策以及现有的汽车能源技术下, 根据数据折线图的特征, 选取了S曲线预测法中的Logistic预测方法进行研究, 预测我国未来十年的汽车销售量以及汽车销售量达到饱和状态所需要的时间。首先根据所收集的历年汽车销量的数据建立多项式曲线模型和指数曲线模型以及微分方程, 具体分析出了未来汽车保有量以及到达峰值年限。

关键词：汽车,保有量,峰值年限

参考文献

[1]保仁, 八木田浩史.中国汽车保有量及年产量预测模型研究[J].城市车辆, 2004 (4) .

[2]杜勇宏.对中国汽车千人保有量的预测与分析[J].中国流通经济, 2006 (11) .

中国民用汽车保有量的组合预测 第3篇

中国民用汽车的消费在近几年发展迅速, 在汽车整体消费中所占比例逐年上升, 对汽车产业及其关联产业起着重要影响, 汽车工业产业是现代工业发展的一个主要推动力, 其产业关联度很高, 可以带动很多其他的产业部门的发展, 如钢铁、橡胶、玻璃、电子和化工工业。目前对汽车市场的研究主要集中于整体需求或保有量预测, 对民用和私人汽车购买的针对性研究很少。

汽车产业作为我国经济发展中的支柱产业, 对国民经济走势的影响越来越大, 而民用汽车消费在汽车市场所占比重逐年增大, 汽车的私人消费也成为汽车市场发展最主要的拉动因素, 对于民用汽车保有量的研究预测有利于我们对国家宏观经济走势的判断, 同时, 汽车保有量预测也是我国道路交通规划和确定石油发展战略及产业结构调整的必然要求。可以说, 对中国民用汽车保有量的预测研究有利于制定合理的汽车产业政策和国民经济政策。

1 文献回顾

近年来, 对于汽车行业的宏观方向的预测技术很多, 下面介绍的是一些常用的具体方法。

1.1 时间序列预测法

利用过去的资料预测未来状态。时间序列模型的突出特点在于它需要的数据量很小, 并且特别适合短期预测, 它的缺陷是无法考虑诸如人口统计因素的影响, 单一的用时间序列方法进行预测的文章较少。韩亮, 冯小明 (1999) 用弹性系数法和指数平滑法预测轿车市场生产量。

1.2 人工神经网络法

神经网络方法预测的精度较高, 但神经网络方法的稳定性稍差, 隐层层次和节点数只能由试算决定。何明, 过秀成 (2007) 采用主成分分析的方法提炼出较少的与线性无关的主要因素, 并根据这些因素, 利用BP神经网络方法对汽车保有量进行了预测, 最后通过实例, 将BP神经网络主成分分析法计算结果和非线性模拟与全要素BP神经网络模拟结果进行比较, 得知BP神经网络主成分分析法在运算效率、运算精度上较优。吴义虎, 侯志祥利用改进的BP神经网络对中国2000年, 2005年, 2010年的汽车保有量进行预测, 并与灰色预测的结果进行对比, 结果表明, 由于神经网络具有很强的学习与泛化能力, 因此在处理具有一定程度不确定性的非线性系统的建模与预测方面, 神经网络有很好的应用价值。

1.3 组合预测法

考虑到单一预测方法的局限, 组合预测把不同的预测模型组合起来, 综合利用各种预测方法所提供的信息, 以适当的加权平均形式得到组合预测模型。潘志刚、韩颖 (2006) 在我国汽车市场的需求预测中将指数平滑法、灰色系统法和多元回归法进行组合, 提高了预测的精度。王玉梅, 尚金城 (2007) 均运用组合预测法, 将指数平滑法和灰色系统法等方法预测出的结果进行加权组合, 同样提高了预测精度, 避免了单一预测的局部性和不稳定性。

2 模型建立

2.1 组合预测模型

组合预测就是要充分利用每一种预测方法中所包含的独立信息, 确定每种单一预测方法的权重是组合预测的核心内容。在假定各种单一预测方法的结果是无偏的情况下, 在已知各种预测方法的预测结果后, 本文通过最小方差法来确定各种预测方法的权重。赵韩, 许辉, 梁平等 (2008) 建立了关于组合预测的最小方差模型, 其具体的实现方法如下:

对同一预测问题有m种模型, 对n个时段进行预测, 组合预测的目的就是要找到满足方差和最小时各预测方法的权重, 其中:

yt第t时段的实际值

$\overline{y}$t组合预测方法对第t时段的预测值

$\overline{y}$it第i种预测方法对第t时段的预测值

et组合预测方法对第t时段的预测误差

eit第i种预测方法对第t时段预测误差

wi第i种预测方法的权数

e${}_t^2$=e′t e${}_t^{{\rm T}}$ (1)

Z=∑e${}_t^2$ (2)

$\begin{array}{l}W=(w{}_1,w{}_2,\cdots ‚w{}_m){}^{{\rm T}}\\ E=\left[\begin{array}{cccc}{\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{1\text{t}}^2& {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{1\text{t}}\text{e}{}_{2\text{t}}& \cdots & {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{1\text{t}}\text{e}{}_{\text{m}\text{t}}\\ {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{2\text{t}}\text{e}{}_{1\text{t}}& {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{2\text{t}}^2& \cdots & {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{2\text{t}}\text{e}{}_{\text{m}\text{t}}\\ {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{\text{m}\text{t}}\text{e}{}_{1\text{t}}& {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{\text{m}\text{t}}\text{e}{}_{2\text{t}}& \cdots & {\displaystyle \sum _{\text{t}=1}^{\text{n}}\text{e}}{}_{\text{m}\text{t}}^2\end{array}\right]\end{array}$

则Z=WTEW

最优的权数为$W=\frac{E{}^{-1}R}{R{}^{{\rm T}}E{}^{-1}R}$, 其中R= (1, 1, , 1) T (3)

本文通过指数平滑法和BP神经网络法的组合预测对中国民用汽车保有量进行研究, 指数平滑法充分考虑了中国民用汽车保有量本身的时间序列的对未来的影响;BP神经网络则通过建立网络模型考虑到中国民用汽车保有量的各影响因素对未来的影响, 对以上两种方法进行组合就可以全面考虑到中国民用汽车保有量本身及其各影响因素, 使预测包含了尽可能多的信息。在得到单一方法的预测结果后, 通过以上组合预测的最小方差法可以得到这两种方法的权重。

2.2 指数平滑模型

指数平滑法一种时间序列分析方法, 除了比较直观, 其最大的优点是在进行预测时, 只需要知道实际数值和本期预测值就可以预测下一期的数值, 而不需要知道以往的观测值。本文要预测研究的是中国民用汽车保有量, 指数平滑法只需要考虑到其本身的时间序列值就可以进行分析预测。

2.3 BP神经网络模型

BP网络是人工神经网络其中应用得最广泛的一种非线性动力系统。BP神经网络是一种误差后向传播网络, 一般采用3层网络型式, 即由输入层、隐含层和输出层3层神经元组成, 各层神经元的作用都是不同的, 其学习过程是由正向传播和误差反向传播所组成。

BP神经网络的预测模型必须考虑到影响中国民用汽车保有量的因素, 从以往的研究中可以看出, 中国民用汽车保有量的解释变量有很多, 通过变量的分析, 选取实际人均可支配收入、实际社会消费品零售总额、相对公路总运输路线的长度、实际人均GDP、从业人员作为影响使中国民用汽车市场宏观消费量的自变量, 把汽车的保有量作为因变量, 建立BP神经网络的预测模型。

本研究将实际人均可支配收入、实际社会消费品零售总额、相对公路总运输路线的长度、实际人均GDP、从业人员这5个变量作为BP神经网络的输入单元, 相应年份的汽车保有量作为网络的输出单元。这样神经网络的输入、输出之间就形成一种对应关系, 它形成的训练样本中有5个值为输入量, 即该预测网络输入层有5个神经元;1个值为输出量, 即输出神经元为1个。对于隐层神经元个数的确定要根据经验和设计者多次试验来确定, 不存在一个理想的解析式, 通过参考相关资料, 确定隐层神经元个数为12。再者, 由于BP系统是非线性的, 初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大。一般会要求初始权值在输入累加时使每个神经元的状态值接近于零, 权值一般取随机数, 而且比较小。输入样本也同样要求进行归一化处理, 使那些比较大的输入仍然落在传递函数梯度大的地方。

3 数据处理与分析

本文是对中国民用汽车保有量的宏观预测, 相关数据可以从中国统计年鉴得到, 以下是1990～2007年中国民用汽车拥有量及其影响因素具体包括城镇居民年人均可支配收入、社会消费品零售总额、实际人均国内生产总值、从业人员、相对公路运输线路长度的数据, 如表1所示。

资料来源:1991～2008年中国统计年鉴

在spss软件的辅助下对1990～2007年中国民用汽车保有量进行指数平滑建模和分析, 可以得到其指数平滑的预测值。

在matlab软件中建立BP神经网络模型, 以1990～1999年的数据作为网络的训练样本, 2000～2007年的数据作为网络的预测效果检验样本, 通过BP网络训练实现最优化。为了提高BP神经网络的效果和精度, 在网络训练以前需对各个变量的数据进行归一化处理, 本文的归一化公式为x1=0.1+0.8* (Xi-Xmin) /Xmax-Xmin, 由此得到相应的数据代入到神经网络模型中进行训练, 通过训练得到的BP神经网络拟合效果很好, 在误差精度为0.001时, 通过143次训练BP神经网络达到最优拟合, 通过训练好的BP神经网络, 导入相应各个变量值之后可以得到中国民用汽车保有量的预测值。

为了对未来中短期的民用汽车保有量进行预测, 我们也需要未来的各个变量的输入值, 因此, 在对民用汽车保有量进行预测前, 我们先用灰色预测的方法对各个民用汽车保有量影响因素的变量进行了未来的短期预测, 并把该短期预测值作为BP神经网络的输入值, 相关预测数值如表2所示。

由上述指数平滑法和BP神经网络法对中国民用汽车保有量分别进行预测得到2001～2007年的预测值, 两种单一预测方法的结果如表3所示。

本文通过BP神经网络法和指数平滑法组合的最小方差法对民用汽车拥有量进行组合预测, 按最优的组合预测方法, 由公式 (3) 我们可以得到

$E=\left|\begin{array}{l}104471.44361496.2523\\ 61496.252356218.5907\end{array}\right|$

, 两种预测方法的权重

W= (0.158507, 0.841493) T, 按照确定的权重可以容易的得出中国民用汽车保有量的组合预测值, 以及组合的结果与其它两种单一预测的效果比较。

由表4可知, 通过中国民用汽车保有量2001～2007年实际值与各种预测值的比较, 组合预测的相对误差最高达到0.045123, 最低为0.003631, 预测精度较高, 至于具体的各种预测方法效果的比较如表5所示。

比较单一模型和组合预测模型的结果, 组合预测模型的平均相对误差0.021798, 低于神经网络和指数平滑预测的平均误差;误差平方和54241.9774同样也小于单一模型预测结果的误差平方和, 也就是说, 组合预测在总体上起到了提高预测精度。在对已有数据的分析中表明, 组合预测方法相对于指数平滑和BP神经网络的预测方法是有效和可性的。

本文对中国民用汽车保有量进行2008～2012年的组合预测结果如表6显示, 中国民用汽车保有量在2012年时将达到7329.62万辆, 在此期间, 中国民用汽车保有量将会以10%左右的增长速度稳定快速增长。由于2008年的部分变量的数据难以搜集, 无法以2008年的数据作为原始数据进行分析预测, 但2008年中国民用汽车保有量的实际值为4975.0万辆, 相对误差为0.84%, 预测结果精度较高。

4 结 论

本文通过指数平滑法和BP神经网络的组合预测法对中国民用汽车保有量进行了中短期的预测研究, 显然, 组合预测模型通过各单一预测模型的预测误差优化得到其权重, 综合了两种预测方法的有效信息, 提高了预测的精度, 使我们的预测结果具有一定的参考性。

对中国民用汽车保有量2008～2012年的预测结果表明, 未来几年内我国民用汽车市场处在稳步成长期, 民用汽车保有量也大幅增长, 至2012年中国民用汽车保有量将达到7329.62万辆, 年平均增长率达到10%左右, 我国政府在实现汽车工业产业快速发展的同时也必须做好相关的政策准备, 具体政策建议如下:

4.1 以产业政策为核心, 制定汽车产业促进法和产业促进条例

随着民用汽车市场需求和供给的增加, 汽车市场会形成一定程度的混乱, 制定产业优化政策、联合重组政策等能使汽车企业的组织结构达到布局合理;实行汽车产品质量纠纷举证责任倒置制度, 由汽车制造商和销售商证明汽车产品合格, 避免因汽车大规模制造的增加导致的质量下降;加强消费者权益保护立法, 侧重处理好汽车企业和消费者之间不平等的地位, 保障汽车需求稳步健康的增长。

4.2 制定新能源汽车产业发展政策

我国民用汽车保有量的增长会加剧我国石油消耗量速度, 为了降低汽车产业对石油的依存度, 发展新能源汽车产业是必然的方向。政府可以在财税政策支持新能源汽车重点产品;在商业化推广方面, 起动国家节能和新能源汽车, 由中央财政安排资金对示范工程的业主单位给予财政补贴;在促进私人消费方面, 研究制订对消费者购买纯电动、充电式混合动力、普通型混合动力汽车等新能源汽车的税收优惠和财政补贴实施办法;进一步制订新能源汽车发展规划, 要求县级以上城市人民政府要制定规划, 优先在城市公交、出租、公务、环卫、机场领域推广使用新能源汽车。

4.3 加快道路设施建设, 缓解交通压力

汽车保有量的快速增长, 势必对城市交通设施造成很大压力。因此, 要加大城市交通和基础设施投资, 加快道路新建、扩建、改建, 增加停车泊位, 改善用车环境, 完善路网结构, 构建立体交通枢纽, 确保道路基本畅通, 提高运行能力。在良好的用车环境得到保障后, 汽车需求的增长和汽车产业的壮大会形成一个良性循环。

摘要：本文对中国民用汽车保有量进行了中短期的预测。文章基于组合预测误差平方和最小的条件, 将指数平滑法和BP神经网络有机结合, 从而提高了预测的精度和稳定性。并通过对中国民用汽车保有量的组合预测结果的分析, 提出有利于中国汽车产业发展的政策建议。

关键词：民用汽车,组合预测,BP神经网络

参考文献

[1].Button Kenneth, Ngoe Ndoh, Hine John.Modeling vehicle ownership and use inlowincome countries[J].Journal of Transport Economics and Policy, 1993, XXVII (1) :51～69

[2].Clemen, R.T.and Winkler, R.L.Combining e-conomic forecasts[J].Journal of Business and Economic statis-tics, 1986, 4 (1) :39～46

[3].Bunn D W.Combiningforecasts[J].European Jour-nal of Operation Research, 1988, 33 (3) :223～229

[4].唐小我.最优组合预测方法及其应用[J].数理统计与管理, 1992, 11 (1) :31～35

[5].赵韩, 许辉, 梁平, 等.最优组合预测方法在家用汽车需求预测中的应用[J].工业工程, 2008, (1) :126～133

[6].王正武, 肖正军.城市私人小汽车保有量预测[J].重庆交通院学报, 2004, 23 (5) :112～114

[7].黄志刚, 汤洪, 丁胜春.基于人工神经网络的湖南省汽车保有量预测[J].山西科技, 2005, (2) :106～107

我国新能源汽车保有量预测分析 第4篇

关键词：汽车,新能源,保有量,发展趋势

一、新能源汽车保有量预测方法综述

(一) 汽车保有量预测方法概述。

汽车工业作为国家经济发展的支柱产业, 其发展状况早已成为学者关注的焦点。研究汽车保有量的方法有很多, 由文献检索可知研究方法分为以下两类:一是基于时间序列数据的预测方法;二是基于数据因果关系的预测方法。

1、基于时间序列数据的预测方法。

吴义虎利用改进的神经网络对中国2000年、2005年、2010年的汽车保有量进行预测, 并与灰色预测的结果进行对比。结果表明, 由于神经网络具有很强的学习与泛化能力, 因此在处理具有一定程度不确定性的非线性系统的建模与预测方面, 神经网络有很好的应用价值。蔡家明将灰色系统模型引入了汽车市场需求预测中, 利用灰色系统的模型预测了一年我国汽车的保有量。证明了该预测模型具有较高的精确度和计算简易性。黄漩运用时间序列中的博克斯-詹金斯法对汽车销售量进行建模并预测汽车的销售量, 再根据销售情况来确定未来汽车产量, 希望可以通过销售量定产量的方法来避免产能过剩的现象恶化。

2、基于数据因果关系的预测方法。

郭连军对影响我国汽车市场的主要因素进行了分析, 建立了以指数平滑、多元回归、神经网络为基础的汽车保有量预测模型, 并对三种模型的适用性作了简单分析。提出以指数平滑、多元回归和神经网络来建立预测模型, 并互为补充, 特别是将指数平滑和神经网络结合起来, 用于汽车保有量近期和远期预测可信度提高很多。

潘志刚的组合预测理论是对同一个预测对象采用不同的单项预测模型, 并对各个单项模型赋予权重。因而, 利用多个单项预测模型有效组合, 使组合预测模型具有较高的预测精度和预测稳定性, 能比较合理地描述系统的客观现实。

(二) 新能源汽车保有量预测研究综述。

早在1985年国外就有人对电动汽车市场进行过预测, 认为未来的电动汽车市场具有很好的发展前景。近年来, 有很多汽车公司转向新能源汽车的研发, 对新能源汽车的市场前景的研究便应运而生。比如, 通用汽车公司、宝马汽车公司均对新能源汽车市场的前景进行过研究, 并认为可有效缓解汽车对环境, 及能源的压力。因此, 新能源汽车将是未来汽车的发展方向。

二、我国新能源汽车保有量预测

(一) 我国汽车保有量变化及因素分析。

截至2007年底, 我国普通燃油汽车保有量为5, 000多万辆, 我国汽车保有量保持快速增长平均增幅达10%, 载客汽车增长较快, 载货汽车增长相对缓慢, 私人汽车继续保持增长, 进口汽车保有量继续增长。由图1我们可以看出从1988~2007年的20年间我国民用汽车的保有量持续增加, 我们相信随着中国经济的增长, 我国汽车的保有量还有上升的趋势。 (图1)

目前, 国内外对我国汽车保有量的预测所选用的参数有很多, 主要有社会总产值、道路货运量、道路客运量、人口总数、公路里程、人均GDP与城市化率、工业总产值、交通运输、社会消费零售总额、国有资产投资、进出口总额等。取1986~2005年的数据为样本, 以下面7种因素为例, 对样本数据进行对数函数的归一化处理。由图2可看出, 汽车保有量与这些因素都有密切联系, 这些因素都对我国汽车保有量而预测产生影响。 (图2)

(二) 我国汽车保有量预测。

本文对新能源汽车保有量的预测主要通过神经网络模型来预测未来10年我国汽车保有量, 进而预测出在未来10年新能源汽车保有量所占份额。

用传统的GM (1, 1) 处理此组数据, 经用Matlab软件计算出1988~2007年汽车保有量的数据。 (表1)

用Matlab中的train函数进行学习过程, 为使收敛性更好, 可多尝试几次, 最终得到所求网络。具体方法为:通过隐层节点数=sqrt (输入数据数+输出数据数) +a确定节点数, a为1~10中的整数。利用Levenberg-Marquardt算法, 训练显示间隔为20, 学习步长为0.3, 最大训练次数为3, 000, 最小均方误差为10-8, 建立网络。

利用Matlab软件计算神经网络模型的汽车保有量预测值如图3所示。 (图3)

结果表明, 在未来10年中, 如果忽略其他因素, 我国汽车保有量将会迅速增加, 汽车市场的发展前景巨大。

(三) 我国新能源汽车保有量预测。

1992年中国签署《联合国气候变化框架公约》, 1993年批准了这一公约。1998年中国签署《京都议定书》, 2002年核准了这一议定书。2004年11月18日, 俄罗斯正式向气候公约秘书处递交《京都议定书》的批准书。旨在减少全球温室气体排放的《京都议定书》于2005年2月16日在全球正式生效。然而, 按《京都议定书》规定, 到2010年, 所有发达国家排放的二氧化碳等6种温室气体的数量, 要比1990年减少5.2%。“十一五”规划提出的单位GDP能源消耗降低20%和污染排放总量下降10%的约束性目标, 表明了政府重视资源节约和环境保护, 改变经济粗放型增长方式, 走新型工业化道路的决心。假设我国未来10年保持汽车尾气排放约束性目标为:排放总量在前一年排放量的基础上下降10%。然而, 如果要满足未来我国汽车用户的需求, 而又要减少汽车尾气的排放, 就必须增加清洁能源汽车保有量, 既满足社会需求, 又达到节能环保。经计算按照目前的排放标准, 我国汽车单车年尾气排放总量为1.3064吨。由减少的尾气总量/单车尾气年排放总量可推知未来10年中我国清洁能源汽车的保有量。 (表2) 就理论研究而言, 如果要达到国家规定的排放标准及京都议定书的要求, 到2017年我国的新能源汽车将会达到千万辆。但就实际情况而言, 随着汽车技术的改进及环境保护的实施, 现实生活中新能源汽车的保有量将会低于理论的预测值。

(四) 新能源汽车发展趋势分析。

由前面的分析我们可知, 未来10年我们国家的汽车保有量会持续增加, 然而能源和环境的作用又限制了我国传统燃油汽车的保有量。为了缓和消费者对汽车的需求和响应国家节能环保政策的要求, 就必须增加新能源汽车的保有量, 才能达到消费者与生产商对汽车需求与生产的平衡。因此, 就新能源汽车保有量而言, 未来我国新能源汽车发展的前景巨大。

当前我国汽车的普及率还比较低, 有利于向新能源汽车转换, 新能源汽车的后发优势明显。油价上涨对于新能源汽车的发展也存在一定机会, 国际原油价格的持续上涨将会导致国内油价的上涨, 提高传统汽车的使用成本, 有利于消费者转向新能源汽车。我国石油对外依存度不断提高, 已经威胁到我国能源安全并造成能源项目上的巨额贸易逆差政府开始大力推动节能技术并加快能源结构的转变。同时, 基于可持续发展目标在国家“节能减排”政策指导下, 国家已出台一系列政策扶持新能源汽车产业的发展。在产业内竞争与合作方面, 合资企业的大量存在使得国内汽车企业通过与跨国企业的合作研发与生产降低市场风险、提高技术水平存在一定机会。因此, 我国新能源汽车发展势在必行。而当前的金融危机对我国新能源汽车的发展也是一个非常好的契机。

三、我国新能源汽车发展对策及建议

为推动我国新能源汽车的发展我们必须从政府, 企业、社会三个角度进行努力, 实现我国新能源汽车的保有量的持续增长, 让更多的人拥有新能源汽车。

(一) 健全新能源汽车产业的法律法规体系, 制定明确的发展目标。

尽管目前我国已经制定了新能源汽车相关的法律法规, 但是仍缺乏一个整体的新能源汽车发展战略和规划, 尤其缺乏强制性的法律法规。另外, 新能源汽车发展的目标及时间表也不明确。各国经验表明, 在新能源汽车发展的初期, 国家法制的强制性作用非常必要。同时也只有在强制性的政策推动下, 才能形成新能源汽车的相关产业链和规模经济, 降低新能源汽车的制造成本。中国尽管制定了节能减排的总体目标, 但对新能源汽车的推广缺乏强制性措施, 推广力度仍然不够。我国还应制定新能源汽车产业化发展的时间表, 促进技术研发和完善基础设施, 待新能源汽车产业发展相对成熟以后, 逐步取消相关强制性目标和政策优惠。

(二) 积极促进企业、科研机构、高校共同开发新能源汽车。

由政府牵头, 积极推动企业、科研机构、高校共同参与新能源汽车的技术研发。目前, 由于新能源汽车的发展还处于导入阶段, 而技术研发投入资金较大, 市场前景却不完全明朗, 国内多数企业在新能源汽车技术研发和产业化发展方面积极性差, 并且由于新能源汽车技术研发需要很高的技术和资金投入, 少数企业也难以承担。这就要求国家在新能源汽车技术研发和产业化发展的初期起到主导作用, 整合国内的科技和资金资源, 确定关键技术领域, 制定新能源汽车研发的路线图和时间表, 并制定专利共享等激励机制, 与企业、研究机构、高校共同推动新能源汽车关键技术的研发。

(三) 对新能源汽车发展给予财政和税收等政策支持, 加强基础设施建设。

目前, 我国新能源汽车产业相关的配套政策体系还很不完善, 执行力度也存在较大差异。提高新能源汽车研发的准入制度, 将优势资源集中在少数几个企业中, 集中人力、物力、财力发展新能源汽车。在政策方面, 可以实行综合的税收、财政、政府采购等配套政策体系, 如加强新能源汽车企业的信贷支持, 减免税收。对新能源汽车的使用者减免车船税、消费税、燃油税等。加大政府采购。对替代燃料和基础设施建设提供直接投入、税收减免和信贷支持。给予新能源汽车灵活的便利政策, 如高速公路收费减免和城市行车通道及停车方面的优惠政策。

(四) 加大国际合作。

提倡本土新能源汽车企业自主创新, 在自主研发的基础上大力发展国际技术和产业化合作。我国在新能源汽车产业发展中积极借鉴其他国家的经验, 开展技术合作和产业整合, 提高我国的技术水平, 促进新能源汽车及替代燃料的普及。如, 与跨国公司在华建立合作研发机构, 共享研究成果, 充分利用国际研发成果, 引导跨国公司参与中国新能源汽车产业化发展, 积极参与国际新能源汽车产业化组织, 借鉴发达国家的经验成果。

(五) 提升消费者的环保意识, 扩大新能源汽车的用户基础。

由于我国新能源汽车起步较晚, 国内消费者对新能源汽车的认识不足, 新能源汽车用户基础薄弱。国家可联合企业、研究机构、教育单位和新闻传媒, 大力推动新能源汽车基础知识的普及, 尤其是要在青少年群体中推广新能源汽车知识, 扩大新能源汽车的潜在用户群。

四、结论

过去20年我国汽车保有量均呈快速上升的态势, 通过对历史数据的分析整理, 我们预测对未来10年在当前的技术、法规下我国汽车保有量依然会上升, 且受金融危机的冲击不会太大。本文参考京都议定书及我国节能环保的目标, 从环境的角度对我国的新能源汽车保有量进行了预测, 预测结果显示在理想状态下我国新能源汽车的保有量将会达到千万辆。要使我国的新能源汽车的保有量达到此数目, 我们还需进一步的去努力。

参考文献

[1]胡伟.我国汽车销售量预测研究[D].南京:河海大学商学院, 2007.

[2]吴义虎.基于神经网络的中国汽车保有量建模与预测[J].西安公路交通大学, 2001.2.

青岛市汽车保有量预测 第5篇

新能源汽车是指采用非常规的车用燃料作为动力来源(或使用常规的车用燃料、采用新型车载动力装置),综合车辆的动力控制和驱动方面的先进技术,形成的技术原理先进、具有新技术、新结构的汽车。新能源汽车包括有:混合动力汽车(HEV)、纯电动汽车(BEV)、燃料电池汽车(FCEV)、氢发动机汽车以及燃气汽车、醇醚汽车等等。

我国政府在联合国气候大会上声明,到2020年单位国内生产总值CO2排放比2005年下降40%-45%。作为主要碳排放源的汽车行业,无疑有责任承担节能减排的重任,而新能源汽车的应用正是解决这一问题的重要途径。

另外,从汽车强国的要素看,本国新车市场对新能源汽车的孵化能力正成为重要指标之一。对新能源汽车进行研发进程和产销量评价,比统计传统的汽车总体产量更有意义[1]。目前,我国的新能源汽车产业正处于起步阶段,各大汽车厂商加紧了对新能源汽车技术的研发和市场需求情况的调研。

1 新能源汽车发展趋势预测

1.1 新能源汽车技术政策趋势分析

1.1.1 新能源汽车技术

在低碳经济背景下,节能技术发展迅速,以下介绍几种新能源汽车技术,相信在未来510年内,这些技术会形成规模生产,广泛应用于环保汽车中[2]。

1)车用能源的发展方向。

从车辆应用角度看,车用代用燃料主要有含氧燃料(醇、醚、酯)、合成油(BTL、CTL、GTL)、气体燃料(甲烷天然气、合成气、氢气)。

含氧燃料技术成熟,目前已广泛推广使用。合成油与现有车辆技术体系和基础设施完全兼容,而且是一种优质的环保燃料,未来5-10年将成为主体代用燃料。气体燃料中,中俄在天然气方面签订协议,俄罗斯将在2014或2015年开始向中国供应天然气,每年或将输送700亿立方米天然气,如果计划顺利落实,有利于增加汽车的天然气燃料供应;合成气是各种一次能源通过气化工艺制成的富氢气体,可直接作车用燃料;氢气是一种尾气排放为零的环保燃料。

2)混合动力技术。

近年来,汽车动力系统最大的突破是混合动力技术,它奠定了汽车动力系统转型的基础,采用这种动力系统可节油40%左右[3]。其演化进程表现为微混合、轻混合、深混合、全混合。微混合只具备自动启停、怠速关机功能;轻混合以并联式混合动力发动机为主体;深混合以混联式为特征,随着电动率的比例逐步提高,混合程度不断增强,最终过渡到可充电式的串联式全混合。

3)电池技术。

电动汽车的发展和推广的主要依赖于动力蓄电池和氢能燃料电池的应用。动力蓄电池可应用到混合动力、纯电动和燃料电池三种电动汽车,但是目前动力电池仍存在成本高、寿命短、储电量少等问题。氢燃料电池系统是最具效率潜力的车用动力,但储氢、氢源基础设施等重大问题有待解决。

电动汽车的发展,除汽车本身的技术需要完善外,相关的技术标准和配套设施仍然缺失。特别是电动汽车充电站的建设和发展,更是关系到未来电动车能不能顺利普及。目前,国家电网已经开始在这方面进行积极的建设。以湖北省为例,争取在未来5年内加快电动汽车充电站的建设速度,远期目标是要做到各县城区以及重要城镇至少建一座电动汽车充电站,一般乡镇要具备充电条件[1]。

1.1.2 政策支持

国家政策对新能源汽车产业的发展起着重要作用。《节能与新能源汽车发展规划》中建议,未来10年,中央财政拿出超过1 000亿元的巨额资金,以扶持节能与新能源汽车产业链发展。其中,500亿元为节能与新能源汽车产业链发展专项资金,重点支持关键技术研发和产业化;300亿元用于支持新能源汽车示范推广;200亿元用于推广混合动力汽车为重点的节能汽车。

新能源汽车的推广目前仍高度依赖于政府补贴,尤其是纯电动车。对于插电式混合动力和电动汽车的补贴标准根据动力电池组能量确定,即3 000元/千瓦时。插电式混合动力乘用车最高补助5万元/辆。纯电动汽车由于成本增加巨大,因此更加依赖政府补贴。除此之外,一些地方政府也计划给予额外补贴,比如深圳市计划对新能源汽车额外补贴,对纯电动车追加补贴6万元,加上国家的补贴6万元,纯电动车的补贴达到12万元。

1.2 新能源汽车保有量的预测

1.2.1 汽车保有量预测

自相关是指一个时期内因变量的一个值与另一个时期因变量的值线性相关。因此,解决序列相关问题的方法之一就是直接建立不同时期间联系的模型,这可以利用预测值或自变量滞后一期或多期的因变量建立回归构架来完成[4]。这种方法确定的回归模型称为自回归模型。

下面用此模型预测我国2010-2015年的汽车保有量。据我国国家统计局2000-2009年国民经济和社会发展统计公报显示,我国的汽车保有量如表1所示。

来源:国家统计局国民经济和社会发展统计公报

我国汽车保有量数据呈持续上涨趋势,要预测我国2010-2015年汽车保有量,预测类型属于中长期预测,故本文采用回归模型预测分析。一阶自回归模型为:

$\stackrel{\wedge }{{\displaystyle Y{}_t}}=b{}_0+b{}_{1}Y{}_{t-1}(1)$

其中b0,b1为常数,t为期数,Y为我国汽车保有量

用SPSS软件得出参数估计表,如表2所示。

由表2可知,b0=150.312,b1=1.151。得出模型

$\stackrel{\wedge }{{\displaystyle Y}}{}_t=150.312+1.151Y{}_{t-1}(2)$

标准离差$S=\sqrt{\frac{1}{n-2}{\displaystyle \sum _{i=1}^n(}Y{}_i-\stackrel{\wedge }{{\displaystyle Y{}_i}}){}^2}(3)$

在公式(3)中,n为数据个数,此处,n=10。经计算得s=486.94,$\frac{s}{\overline{Y}}$=0.1264<15%,因此该模型可用。

我国汽车报废率平均每年6%[5],将这一变量加入模型(2)中,得出模型(4)

$\stackrel{\wedge }{{\displaystyle Y}}{}_t=150.312+1.151(1-6\%)Y{}_{t-1}(4)$

用模型(4)计算出2010到2011年我国的汽车保有量预测,见表3。

1.2.2 新能源汽车保有量预测

从新能源汽车的市场需求量、技术发展和配套基础设施建设程度看,新能源汽车大规模进入普通家庭仍然是需要很长时间。

在市场需求方面,许多消费者对新能源汽车还不是很了解;新能源汽车比传统动力汽车价位普遍高20%左右;新能源汽车的市场配套服务还不成熟;使得消费者选择新能源汽车的机率降低。据相关调查报告显示,50%的首次购车者表示,要买传统汽车还是新能源汽车,要看各种汽车的价格和性能等情况而定。二次购车消费者倾向选择购买新能源汽车的比例,比首次购车消费者上升了3.1%[6]。按照每年新增汽车用户占汽车保有量的10%计算,那么汽车保有量的5%可能是新能源汽车。

技术方面,虽然众多国际知名汽车企业已经研发出许多节能和新能源技术,但是其可靠性和安全性还有待进一步实际观察。新技术大规模的应用还需5-10年时间。

政策方面,国家采用对新能源汽车的一系列补贴后,从消费者效用角度考虑,将会增加57%[7]。根据国家相关规划,2010-2015年是我国新能源汽车产业的培育期。

综上,设定2010年2013年新能源汽车保有量占总汽车保有量的3%,2014-2015年这一比重达到5%。对表3进行调整,推算出新能源汽车的保有量,见表4。

2 结论

从上述分析可以看出,我国的新能源汽车产业才刚刚兴起,即使未来5年内,由于受市场需求和技术等因素的约束,新能源汽车大规模产业化生产还不大可能,但是并不能因此忽视了对新能源汽车的投资。目前中国与汽车发达国家都处于同一起跑线上,我们需要努力把握这次机遇实现汽车工业转型,摆脱长期以来在发动机、变速箱上落后的局面。国家的政策因素对产业发展影响较大,因此,国家应确保已出台政策的尽快落实。从政府到汽车厂商,都应加大对新能源汽车的关注力度,了解最新的技术动态和市场需求,在这次竞争中跨入全球先进行列。

发展新能源汽车有利于我国节能减排目标的实现。根据我国碳排放目标,到2020年,汽车的碳排量必须由现在的200g/km降到100g/km以下[8]。而我国所有在售的自主品牌中都远远高于这一标准。新能源汽车的研发和产业化生产迫在眉睫,其广泛应用将会改变我国高耗能、高排放、高污染的现状。

参考文献

[1]南辰,戴劲松,陈冀,等.2010年车市产销量之外三大悬念[J].中国品牌,2010(Z1):119.

[2]朱敏慧.畅想未来汽车技术的发展[J].汽车与配件,2010(18):15-16.

[3]刘永和,冯赞.节能与新能源技术的发展[J].客车技术与研究,2010(1):6.

[4]汉克,威切恩.商业预测[M].8版.北京:清华大学出版社,2006:323.

[5]张广利,宗刚.运用汽车报废率来推导汽车产业需求规模[J].汽车工业研究,2008(6):11.

[6]高耸.新能源汽车迎来破冰之年[J].中国经济和信息化,2010(6):88.

[7]马钧,王宁,孔德洋.基于AHP和Logit回归的新能源汽车市场预测模型[J].同济大学学报:自然科学版,2009,37(8):1083.

青岛市汽车保有量预测 第6篇

我国自1984年允许私人购车以来,私人汽车保有量经过20年缓慢的增长才突破1000万辆,从2004～2006年仅用3年时间便突破2000万辆,而到2008年底已经突破了3000万辆。从时间序列上看,我国私人汽车保有量已呈现指数的增长,正如国泰君安日前发布研究报告指出,中国正在进入汽车消费时代[1]。

私人汽车需求量占全社会汽车总需求量的比例提高幅度很快(从1985年的15.23%已上升至2008年的65%),私人汽车对我国汽车市场的容量扩张正在发挥越来越重要的作用。这一趋势也引起了政府决策部门和汽车生产与流通企业的高度重视,因此预测私人汽车市场需求的发展趋势是很有必要的。

国外对汽车扩散的研究主要是对汽车保有量的研究,相关理论和研究很多。目前预测私人汽车保有量的方法分为需求模型和均衡模型两大类,其中以需求模型为主,而需求模型又分为集合模型和非集合模型两类。集合模型中比较典型的有Dargey & Gately的Gomperta模型[2]和Ingram对数线性方程[3],多用于宏观政策分析或远期预测。非集合模型基于效用最大化行为假设,以家庭或个人作为决策单元建模,包括多项Logit模型、树状Logit模型、多项Probit模型等,多用于短期动态预测。

相比之下,我国学者在这方面的研究仍处于起步阶段,但也有不少学者做出了有益的工作。研究方向可分为两类,一类通过分析影响汽车需求或保有量的各种因素(如人均GDP、城市化率、人均粗钢量、汽车价格、公路总量)进而采用各种回归模型预测未来汽车的发展趋势[4,5,6,7,8,9,10];另一类则试图在方法上进行改进,如采用系统动力学、BP神经网络、灰色模型等比较前沿的方法提高预测精度[11,12,13]。然而现有的中长期预测模型均以影响汽车增长的各种因素为依据,变量多且预测精度不高。同时我国汽车保有量正处于快速增长的起步阶段,需要对其快速增长阶段及增长极大年进行可靠预测,而需求模型则无法做到。

根据文献[14]对汽车普及率增长的研究结果,私人汽车的扩散增长随时间的变化同样呈现S型。在统计分析预测中,S形曲线一般用于新产品的扩散和销售预测,Logistic曲线便是其中最为常用的一种模型。Logistic模型预测新产品扩散时,首先都需要对3个参数(m,a,b)进行估计,而如何更精确地确定3个待估参数一直是个难题。邓恒进等(2008)在应用Logistic模型模拟和预测我国汽车保有量发展趋势时,根据专家预测确定市场最大潜量m值为1.5亿[15],即人均0.12辆,而发达国家2001年的人均汽车保有量为0.5～0.8,笔者认为这样的假设有欠妥当。为了更为科学合理的估计Logistic模型的3个参数,本文将采用两种估计算法,对比分析使用不同的参数估计方法的预测结果,以期能够最恰当地利用Logistic模型来预测私人汽车市场的最大潜量和发展趋势。

1 Logistic模型简介

Logistic方程最早是由比利时数学家Verhu于1838年推导出来,由于其能较好地描述某些有界增长现象(S型曲线增长),现已广泛地应用于预测学、信息科学、生物学、农业学和经济学等多个领域。Logistic曲线模型是描述因变量随时间变动趋势的模型,因其计算简单,经济含义明显,在产品市场扩展分析方面也备受青睐。美国Edwin Mansfield关于新产品市场扩张的logistic模型的一微分方程为:

$\frac{\text{d}\text{F}}{\text{d}\text{t}}=\text{b}\text{F}$(1-F) (1)

其中$\text{F}=\frac{\text{y}(\text{t})}{\text{m}}$

y(t)为t时刻市场上存在的可以使用的新产品的数量,即市场保有量,由第t-1期的保有量加上当期销售量减去当期报废量即可得到。m为市场最大容量,即市场的最大保有量;F为某一时刻新产品市场保有量与最大市场保有量之比;b为常数。由分离变量法求解式(1),得

$\text{F}(\text{t})=\frac{1}{1+\text{a}\text{e}{}^{-\text{b}\text{t}}}(2)$

其中,a为常数。

则t时刻产品的保有量y(t)=m*F(t),

增长量最大的时刻T*=ln(a)/b。

2 数据和参数估计方法

2.1 数据来源

本文统计了我国私人汽车保有量自1985年以来的数据,数据如表1所示:

数据来源:中国统计年鉴[16]

2.2 非线性最小二乘法(NLS)

由于Logistic模型的非线性,所以不能像线性最小二乘法那样用求多元函数极值的方法得到参数估计值,而非线性最小二乘法(Nonlinear Least Square)则正好解决了非线性模型的参数求解难题。NLS的准则是要使剩余残差平方和最小化,其目标函数为:

$\min {\displaystyle \sum _{\text{t}=1}^{\text{Ν}}[}\text{Y}(\text{t})-\text{y}(\text{t})]{}^2$

其中:Y(t)为第t期的实际保有量,y(t)为模型预测的保有量。

在此目标函数下可以求出3个参数(m,a,b)的具体值。本文以SPSS13.0为计算工具,以中国历年私人汽车保有量为模型数据,分别采用不同的数据序列,用NLS分别估计Logistic模型的参数。取m、a、b的初始值分别为15000(万辆)、100和0.5进行迭代,迭代算法为经典的麦夸特法。计算结果如表2所示。

注:拟合度R2=1-SSE/SST,私人汽车保有量值单位均为万辆,以下同此

表2中m值随着数据点数的变化而波动很大,且估计值与实际情况相去甚远,由此可见,当m值未知时NLS算法不适宜用来预测我国汽车保有量的发展趋势。

由于上述m估计值的不稳定,借鉴我国现有的应用Logistic模型预测新产品扩散的文献[15],本文此部分也采用专家预测法确定市场最大潜量。王旖旎(2005)在预测我国中长期汽车保有量时,假定我国汽车普及的餍足点为0.62[5],这与当今发达国家的人均汽车保有量是基本相符的。鉴于此,本文假定我国汽车人均保有量的极值为0.6,而私人汽车人均保有量为0.60.8(私人汽车占汽车总量的80%)。中国按14亿人口计算,则我国私人汽车的最大潜量为140.60.8=6.72亿。

仍以SPSS13.0为计算工具,分别采用不同的数据序列,取m为固定值67200(万辆),取a、b的初始值为100和0.5进行迭代。计算结果将在第3部分给出。

2.3 遗传算法(GA)

遗传算法(Genetic Algorithms)借鉴达尔文的物演、优胜劣汰、适者生存的自然选择和自然遗传的机理,其本质是一种求解问题的高效并行全局搜索方法。它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最优解。

蔡煌东和陈德辉(1995)以生物实验为案例应用GA拟合Logistic曲线后发现,GA比一般的算法能更好的拟合Logistic曲线,并且对一般的非线性模型也可以得出最佳的参数组合[17]。杨敬辉和武春友(2005)在研究中国移动用户数扩散时,采用NLS算法和GA分别对Bass模型的扩散系数进行估计,结果表明GA可以预测处于成长期时的产品扩散趋势,而NLS则做不到[18]。

我国私人汽车市场正处于快速成长阶段,发展不稳定,也难于预测。鉴于上述研究成果,本文亦采用GA估计Logistic模型的参数,并与NLS算法进行比较。本文以matlab7.0为计算工具,以中国历年私人汽车保有量为模型数据,分别采用不用的数据序列,目标函数仍为剩余残差平方和最小化,编译程序文件,对Logistic模型的参数、增长极大时间点和最大潜量m进行估计。

应用遗传算法时输入初始种群,参数设置如表3所示,计算结果将在第3部分给出。

3 参数估计结果

从表1中,分别选取前23、20、16、12、8、6个数据点组成不同的数据序列,利用NLS算法和GA预测达到最高增长点的时间及保有量。各个数据序列下的参数估计结果见表4。

从表4中抽取4组数据,分别预测下一年到2008年的汽车保有量并计算出期间的均误差,结果如表5所示。同时为了比较本文与其它文献预测结果,在此选用了3篇预测精度较高的文献予以对比,结果如表6所示。

图1为采用1985～2004年和1985～2007年数据点时Logistic模型GA算法增长曲线与实际点的拟合情况,预测值1和2分别为其拟合曲线。

表7为采用1985～2007年23个数据点时Logistic模型基于GA算法参数估计时的预测结果。预测到2014年私人汽车将突破1亿辆,并列出2014年之后每上升1亿辆的年份和具体保有量。

注:T*为预测的增长极大年份,y(T*)为当年的保有量。

注:误差为相对误差,均误差为平均相对误差。下表同此。

4 讨论与结论

4.1 Logistic扩散模型适合中国私人汽车保有量的预测

不管是基于NLS算法还是基于GA,Logistic模型都能以很高的拟合度拟合中国私人汽车保有量发展趋势,同时在数据点只有12个时预测的均误差都在6.5%以下,可见预测的精度高。两种算法预测的增长极大年T*在37～42之间,即2021～2026年,私人汽车保有量y(T*)将达到3.5亿辆左右,人均汽车0.25辆。参照美国、日本、韩国统计局数据,三国从汽车工业开始发展起来到人均0.3辆基本上都用了35年左右,如果其中有0.25辆或更多是私人汽车,那么本文预测的人均0.25辆是十分可信的。

4.2 基于GA的Logistic模型可以预测我国私人汽车保有量的最大潜量,并适合中长期预测

由3.1节可知,Logistic模型在使用NLS算法时对数据点的多少十分敏感,求出的m值基本不可用,而GA算法求出的m值在6～8亿之间,都在合理范围之内,可见用GA可预测我国私人汽车的最大市场容量。之前假设m为6.72亿,刚好处于这个范围的中间,证明此假设可信度高。从预测误差的比较来看,NLS和GA预测误差都很小,GA除了用1985～2007年的数据点预测2008年的误差的比NLS高外,其余都比NLS低,而且随着数据点的减少,GA预测的均误差波动很小,可见GA很适合用于私人汽车保有量的中长期预测。论文采用1985～2007年的数据序列用此方法进行了中长期预测,数据如表7所示,希望能为有关部门提供参考依据。

4.3 基于NLS算法的Logistic模型适用于短期预测

对于NLS算法,只要将m值确定在一个比较合理的范围内,它都可以给出一个比较高的拟合优度,而且预测的误差不管短期或中长期均处于较低的范围。如果考虑m值不同导致NLS算法预测的均误差比GA高,那就以1985～2000年这个时间序列为例,取m=60059(等于GA的预测值)进行预测,迭代结果R2为0.998,a为2263,b为0.199,虽然预测2001年的误差为0.59%(GA预测的误差为4.19%),但预测2001～2008年的均误差却达到了7.83%。经过比较其它几个时间序列发现,NLS得出的Logistic模型可以很准确地预测未来1、2年的保有量,但随时间推移误差不断加大,而GA的得出的Logistic模型正好弥补了这一不足。

4.4 Logistic模型对我国私人汽车保有量的预测精度普遍比其他模型高

表6中列出了3篇分别用计量经济学、BP神经网络和灰色系统模型预测私人汽车保有量的预测结果,并将本文用GA和NLS预测的结果与之对比,发现Logistic模型的预测均误差几乎都比其他3种模型更小,可见其在预测精度上更具有优势。

4.5 联合GA与专家预测方法共同探析我国私人汽车保有量的最大潜量将是最理想的

虽然给定一个时间数据序列,GA都能以很高的拟合度给出m、a和b这3个参数的估计值,但显然m值不能随着时间的变化而上下波动(若考虑我国人口增长,则应是上升的趋势),因此在应用到实际预测中时应有一个确定的m值。考虑到GA的机器学习和专家预测的主观性,笔者在此提出将两者结合起来,既不失科学性又能很好地反映了实际状况。

论文在应用Logistic模型分析和预测中国私人汽车保有量的发展趋势时,采用两种不同的算法进行参数估计,通过比较分析其模拟和预测结果,得出两种算法均有优势,优势互补才能使预测结果更优。基于GA的Logistic模型可以预测出私人汽车保有量的最大潜量,为了使其结果更为合理,应参照专家意见和国外一些国家的汽车发展史。论文采用的是时间序列的预测方法,虽然在方法上有所改进,然仍以拟合历史数据为主,所以在今后预测中应适时更新模型数据,以贴近实际需求。

摘要：论文介绍了新产品扩散Logistic模型及两种参数估计方法,就我国私人汽车保有量的发展情况分别采用两种算法建立扩散模型,比较分析了它们的结果并将预测结果与其他文献对比,得出:(1)基于遗传算法的Logistic模型适用于我国私人汽车发展趋势的中长期预测,预测私人汽车的最大市场潜量为7亿左右,增长极大年处于2021～2026之间;(2)基于非线性最小二乘法的Logistic模型拟合度高,适用于近期预测;(3)Logistic模型预测私人汽车保有量的精度普遍比其他模型高。