论文部分内容阅读
20世纪90年代以后,汽车产业在中国经济中占据着越来越重要的位置,汽车产业发展对于中国总体宏观经济发展具有非常重要的意义。据预测,今后10-15年,GDP每年的新增量中将有16%-17%由汽车业提供,汽车业已成为对我国国民经济拉动力最强的产业,而私人汽车消费占据汽车消费的主体。因此,准确预测私人汽车的消费增长将有助于企业制订发展计划和政府调整产业政策,从而保障国民经济的健康可持续发展。文章总结了国内外对汽车增长模型研究的主要方法与理论,决定在私有汽车增长的Gomperta模型,对数线性模型和分布延迟模型基础上,进一步采用结构时间序列分析与多元统计分析相结合的方法。消除汽车消费数据存在季节循环等因素干扰后,建立具有指标层次性的结构框图,通过主成份指标简化,形成具有较强解释性的私人汽车市场需求量预测新模型。本文首先分析了中国汽车市场特征和影响中国私人汽车消费的主要因素,提出主要考虑宏观经济、市场环境、其他等三类因素,并进一步提出了这三类因素之下的次层因素,共确定了9个指标。接着对分类对指标进行了主成份提取,得出分别反映三类因素主要变化的5个主成份。再针对汽车消费数据存在季节循环等因素干扰的特点,对数据进行了异方差检验和ARMA模型的模拟,使用变参数状态空间卡尔曼滤波的思想方法对汽车消费数据进行季节因素的剔除和数据的修正。本文接着使用修正数据和主成分得分数据,以主成份为解释变量,市场消费需求量为因变量,建立了回归预测解释模型,对模型参数和拟合优度进行了统计检验以及残差分析,结论是模型显著。最后,我们进行了模型的稳键性分析和几种预测方法优良性比较,发现该模型较稳键,同时综合了多方因素,具有较强的市场解释能力,预测误差较小,是可应用的模型。本文主要采用的研究方法有结合KALMAN滤波思想的时间序列分析和多元分析的方法。