与预测分析
4.1引言
中国汽车市场的快速发展成为推动中国经济高速增长的因素之一，中国汽车产业在中国经济中的地位越来越重要。中国微型汽车市场在这样一个大背景下也获得了长足的发展，近年来的城镇化进程的加快、节能减排、环保、低碳经济等更是为微型汽车的进一步发展提供了广阔的空间。但近几年来微型汽车市场需求的波动也是不争的事实，国家的有利于微型汽车的政策并没有给微型汽车市场带来大量的需求。中国微型汽车也发展了30来年，微型汽车的存量对微型汽车的需求能产生调节作用吗？农村城镇化对微型汽车市场需求究竟有多大的影响？市场竞争的激烈使得微型汽车的价格不断降低，经济的高速增长使得家庭收入不断增加，微型汽车有多大的价格弹性和收入弹性？
本章将从四个方面对中国微型汽车市场需求及其预测进行研究。第一，基于存量调整模型对微型汽车市场需求建模，借以考察微型汽车市场存量水平是否对微型汽车需求产生显着的调节作用，微型汽车市场存量是否达到均衡或理想状态；第二，分析微型汽车市场需求的价格弹性和收入弹性；第三，考察农村城镇化进程对微型汽车需求的影响；第四，建立基于时间序列模型的微型汽车市场需求预测模型并对微型汽车市场需求进行预测。
本章的具体安排为：4.2节对汽车需求和预测方面的相关文献进行研究；4.3节建立微型汽车市场需求存量调整模型并对需求的收入弹性和价格弹性进行分析；4.4节研究农村城镇化对微型汽车市场需求的影响；4.5节基于时间序列ARIMA模型建立微型汽车市场需求预测模型并对需求进行预测；4.6节对本章进行简单小结。
4.2汽车需求及其预测文献研究
在对汽车需求的研究方面，国外早期的研究通常是从单个产品角度，特别注重构建消费者选择模型，这种研究方法为后来的许多研究建立了研究方法的基础（Suits，1958；Nerlove，1957；Nerlove，1958）。Berry，Levinsohn &； Pakes（1995）开发了一种实证分析差异化产品市场需求与供给的技术，并应用该技术分析了美国汽车市场的均衡，估计了1971～1990年间为期20年的市场上几乎所有汽车型号的成本参数与需求参数，这些估计值与寡头垄断市场均衡的结构性模型是一致的，该种技术的优越性在于只需要利用通常可得的产品层面数据与消费者层面的集计数据（aggregatedata），这为估计一类寡头垄断的差异化产品市场的需求参数与成本参数提供了一个一般性的框架。Abu-Eisheh &； Mannering（2002）使用详尽的数据对政局动荡、管制严厉、处于转型经济区域的汽车市场需求进行了研究，建立了这类市场的汽车需求模型，在模型中充分考虑了汽车存量与运输价格之间的交互影响。Kurthara（2004）对在市场均衡下的日本汽车市场进行研究，其研究充分考虑了汽车政策对市场的影响，并从市场需求和供给两个层面进行分析。在汽车需求的预测方法方面，Chow（1957）发展了一种主要通过汽车的存量调整过程来预测汽车未来需求量的一种技术。Mogridge（1983）在对汽车的拥有量的研究中曾提出过许多估计汽车需求的模型，如时间序列模型、消费者耐用品模型、线性回归模型、分解数据法和生存曲线等，这些模型和方法为后来的对汽车需求的估计提供了有价值的参考。Dargay &； Gately（1999）基于Gompertz模型使用26个国家从1960～1992年的相关数据（其中既包括发达国家又包括发展中国家）对直至2015年的汽车需求进行了预测。Button，Ngoe &； Hine（1993）使用对数线性模型和拟对数模型对低收入国家汽车拥有量进行了预测。Ewert &； Prskawetz（2002）以奥地利的汽车拥有情况为例，使用回归模型研究了多个变量对汽车拥有量的影响，研究发现人口的不同年龄比例、人口密度、家庭构成、受教育程度都不同程度地影响着各地区的汽车拥有量。Riley（2002）研究了人口增长、城市化水平、政府政策和经济增长对中国汽车市场需求的影响，结论认为经济增长、政府政策是两个主要的影响因素，而人口增长、城市化水平这两个对其他经济发达国家汽车市场需求影响较大的因素对中国汽车市场需求的影响并不明显。Qiuetal.（2004）使用计量经济模型分析了中国加入WTO对中国汽车市场需求的影响。
国内对汽车需求及预测研究方面，饶达（1998）对汽车市场的总体环境进行了研究，认为汽车市场的需求结构正在发生变化，汽车企业应该充分利用产品需求结构的变化，适应汽车市场需要。王燕（2002）对影响汽车市场需求的因素进行了分析，这些因素既有宏观因素也有微观因素，其中宏观因素包括宏观经济环境、固定资产投资规模、信贷规模、零售市场状况以及进出口状况；微观因素包括价格、质量、售后服务及市场结构。班卫东（2004）对区域市场轿车容量进行了研究，在研究中其以居民家庭收入、人口数量、当地国民经济发展状况、当地居民的生活水平作为作为影响区域市场轿车容量的因素，其中当地国民经济发展状况用人均GDP加以测度，当地居民的生活水平用恩格尔系数度量。王玲玲和马骁（2006）在研究中构建了计量模型来解释汽车市场的需求量，并对后期市场进行预测。罗延发（2007）从产品差异化视角对中国家庭轿车市场进行了研究，通过构建不同的消费者选择模型分析了主要产品品牌间的竞争格局，使用随机系数logit模型模拟了未来10年内的需求状况。
在微型汽车市场需求研究方面，向生寅（1999）对中国的微型汽车需求进行了分析，认为中国微型汽车需求主要由出租营运用车、公务商务用车、私人用车及一部分农业用车构成，中国微型汽车产品的开发必须立足市场，始终坚持微型汽车的基本特征和产品优势，才能得到市场更好的回报。祝田田（2004）分别从市场环境、产品及市场演进和消费者特征三个方面，通过定性、定量相结合的方法，深入地研究了城镇化进程中中国微型汽车行业市场需求的发展趋势，并对微型汽车行业的发展提出了建议。
有许多的方法可以用来对汽车需求及其预测进行研究，常用的如回归分析方法、时间序列分析方法、人工神经网络（ANNs）等。
回归分析方法是最为常用的一种计量经济学方法之一，它是通过纳入不同的解释变量来构建回归模型以对被解释变量（如汽车需求量）进行解释和预测，尽管回归分析法在模型的参数估计技术方面比较成熟，预测过程也相对简单，但回归分析会面对多重共线性、序列相关、异方差等问题，获得最佳线性无偏估计（BLUE）是研究者们所期望的（Sangetal.2004）。在使用回归方法对中国汽车市场需求及预测的众多研究中（如郭克莎，2001；韦保仁和八木田浩史，2004；陈道平和刘伟，2005；王旖旎，2005；王玲玲和马骁，2006；罗延发，2007），被解释变量通常是中国汽车市场的年需求量或保有量，而解释变量则主要有经济总量变量（如GDP）、居民收入水平变量（如人均年收入）、人口规模变量、固定资产投资变量、基础设施建设状况变量（如高等级公路建设里程）等，其中，经济总量变量或居民收入水平变量是多数研究的核心解释变量，有的甚至是唯一的解释变量（如郭克莎，2001；王旖旎，2005），这表明人均收入水平是影响中国汽车市场需求的最具说服力的解释变量。在前述研究中，罗延发（2007）使用非集计层面（disaggre gatelevel）（个体或家庭层面）的变量作为个体需求的解释变量，构建非集计模型（disaggre gatemodels），通过分析各种非集计层面的主要因素对个体需求的影响概率，然后应用需求集计方法将个体需求概率进行集计，从而达到预测整个市场需求的目的，这在国内的研究中并不多见。
时间序列分析也是一种常用的计量经济学方法，它对变量的预测过程是：首先假设所给序列是由某个随机过程产生的，接着利用预测对象自身的历史数据建立一个描述该过程的模型并进行参数估计与检验，然后利用此模型对该变量未来的值进行预测。时间序列分析的本质是寻找预测对象历史数据中的变化规律和特性。时间序列预测方法包括：简单移动平均（SMA）、指数平滑（ES）、Census-Ⅱ、傅里叶序列分析（FSA）、状态空间法、Markov法、自回归求和移动平均（ARIMA）等方法，其中指数平滑（ES）法还包括：简单指数平滑（SES）、双倍指数平滑（DES）、两参数趋势模型、三参数指数平滑等（Bellaciccol，2000；DeLurgio，1998；Sangetal.，2004）。这一系列方法在对变量的预测方面扮演着重要角色，但各有特点，如Census-Ⅱ不但可提供预测，而且可提供各组成部分及各部分对总量影响大小的信息（DeLurgio，1998）。ARIMA在对变量进行预测时不但考虑变量的趋势模式和季节模式，而且可对变量同时进行移动平均、自回归和差分变换建模。ARIMA模型不只有一个模型而是一系列模型，这给研究者进行建模以很大的自由空间，该模型一般用于短期预测，其原因在于其给予较近的数据较大的权重。ARIMA模型所要求的数据类型既可是离散的也可是连续的，所要求的观测值至少50个，数据的稳定性也被要求（Box &； Jenkins，1970）。Sang（2004）等对上述主要方法的优点和局限进行了比较总结。有部分研究者在对中国汽车市场需求预测的研究中使用了一些简单的时间序列分析法，譬如，饶达（1998，2003）、姜湘南（2005）、戴益敏和许礼刚（2005）等。
ANNs方法是一种非计量经济学方法，它模拟神经系统的工作方式，实现对客观事物的学习和记忆。ANNs的输入节点一般是变量的历史数据和相关影响因素，输出为预测值，其工作原理是利用历史数据先对网络进行训练，使网络性能达到期望的误差之内，然后利用所获得的网络进行预测。ANNs在预测上被认为有较高的精度（Neves &； Cortez，1997；Yao &； Tan，2000；Bansaletal.，1998）。ANNs也有一些明显的局限性，譬如，ANNs的训练只能是要求达到预先设定的性能，无法证明是最优性能；ANNs在如何选择输入变量及其节点的数目、隐藏层及其节点的数目、输出节点的数目以及转换函数上几乎没有一个好的指导办法（Sangetal.，2004）。吴义虎、陈荫三和侯志祥（2001）采用ANNs方法对中国汽车保有量进行了预测，丁波（2004）基于ANNs对中国轿车市场短期需求进行了预测。
在预测的研究中，选择一个好的预测模型是重要的，但怎样的预测模型才是一个好的预测模型却没有正确答案。正如Sang（2004）等认为的那样，没有最好的预测模型，某个模型可能刚好在某方面较好地拟合了某种情景，一个模型不可能在诸如预测期限的长度、预测精度、预测成本、模式识别能力、所需观察数据的数目等各方面都具有优势。Boxetal.（1994）等曾经说过，“即使所有的模型都错了，但一些模型仍是有用的。”基于前面对预测方法的讨论，本章后面部分将使用回归模型和时间序列的ARIMA模型对汽车需求建模，它们至少应该是有用的模型。在前述对中国汽车市场需求预测文献的研究中，可以发现大量的预测模型是基于集计层面数据的，原因在于进行非集计层面预测建模需要消费者个体或家庭的数据，这在获取的成本上不具有优势，因此，本章将基于集计层面对汽车需求建立回归模型和时间序列模型。
