汽车市场预测方法优化分析

预测理论产生了很多预测方法，但常用的方法并不多，只有十几种。归纳起来，预测方法大体可分为两大类:一类是定性预测方法，即质的预测方法；另一类是定量预测方法，即量的预测方法。前者容易把握事物的发展方向，对数字要求不高，能节省时间，费用少，便于推广，但往往带有主观片面性，数量不明确；后者则相反。人们在实际预测活动中往往运用两种方法相结合的方法，即定量预测的结论必须接受定性分析的指导。唯有如此，才能更好地把握汽车市场的变动趋势。

1.定性预测方法

(1)定性预测方法简介。定性预测方法又称判断分析预测法，它是由预测者根据拥有的历史资料和现实资料，依据个人经验、知识和综合分析能力，对未来的市场发展趋势做出估计和测算。从本质上来讲，它属于质的预测方法。定性预测方法比较适合用来对预测对象未来的性质、发展趋势和发展转折点进行预测，适于数据缺乏的预测场合，如技术发展预测、处于萌芽阶段的产业预测、长期预测等。定性预测的方法易学易用，便于普及推广，但它依赖于预测人员本身的经验、知识和技能素质。不同的预测人员对同一问题的预测结论往往会有较大差别。定性预测方法的理论依据是相似类推原则。这一原则包括两个内容。

①按发展时间顺序类推，即利用某一事物与其相似的其他事物在发展时间上的差别，把先发展的事物的表现过程类推到后发展事物上去，从而对后发展事物的前景做出预测。例如，通过对某些国家家用轿车普及过程的研究来预测我国家用轿车走向家庭的时间、车型及购买特点等就属于时间类推。时间类推的关键是把握事物的发展过程是否相似。如果相似性太小，那么预测就会失败。

②由局部类推总体，即通过抽样、调查研究某些局部或小范围的状况去预测整体和大范围的状况。例如，通过对某一省汽车市场情况的调查，来预测全国汽车市场的情况。

(2)常见的定性预测方法。常见的定性预测方法如下。

①德尔菲法。德尔菲法是在20世纪40年代末期由美国兰德公司(RAND)首创并使用的，是在西方发达国家广泛盛行的一种预测方法。至今，这种方法已经成为国内外广泛应用的预测方法，它可以用于技术预测和经济预测、短期预测和长期预测。尤其对于缺乏统计数据而又需要对很多相关因素的影响做出判断的领域，以及事物的发展在很大程度上受政策影响的领域，更适合用德尔菲法进行预测。这种方法是按规定的程式，采用背对背的反复函询方式，其预测过程与营销调查的过程基本一致。首先，由预测的组织者将需要预测的问题逐一拟出；然后，分寄给各个专家，请他们对预测问题逐一填写自己的预测看法；最后，将答案寄回组织者。组织者进行分类汇总后，将一些专家意见相差较大的问题再抽出来，并附上几种典型的专家意见请专家进行第二轮预测。如此循环往复，经过几轮预测后，专家的意见便趋向一致，或者更为集中，组织者便以此作为预测结果。由于这种方法使参与预测的专家能够背对背地充分发表自己的看法，不受权威人士态度的影响，因而保证了预测活动的民主性和科学性。在采用德尔菲法进行预测的过程中，选择专家与设计意见征询表是两个重要的环节，它们是德尔菲法成败的关键。德尔菲法的一般预测程序如图4-6所示。

图4-6　德尔菲法的一般预测程序

②集合意见法。集合意见法就是集合企业内部经营管理人员、业务人员等的意见，凭他们的经验和判断共同讨论市场趋势而进行市场预测的方法。由于经营管理人员、业务人员等对市场的需求和变化较为熟悉，因而他们的判断往往能反映市场的真实趋势。该种方法首先由预测的组织者根据企业经营管理的要求，向研究问题的有关人员提出预测项目和预测期限的要求，并尽可能提供有关资料。然后，有关人员就根据预测的要求及所掌握的资料，凭个人经验和分析判断能力，提出各自的预测方案。接下来，预测的组织者计算有关人员预测方案的预测值，并将参与预测的有关人员进行分类，计算各类综合期望值，最后确定最终的预测值。

定性预测方法还有社会(用户)调查法(即面向社会公众或用户展开调查)、小组讨论法(会议座谈形式)、单独预测集中法(由预测专家独立提出预测看法，再由预测人员予以综合)、领先指标法(利用与预测对象关系甚密的某个指标变化对预测对象进行预测，如通过对投资规模的监控来预测汽车需求量及需求结构)、主观概率法(预测人员对预测对象未来变化的各种情况做出主观概率估计)等。

总之，随着社会经济及科学技术的发展，预测方法也在不断地发展和完善，汽车市场营销的预测人员应不断加强理论学习，并通过预测总结出一些实用的方法。

2.定量预测方法

定量预测方法是依据必要的统计资料，借助数学方法特别是数理统计方法，通过建立数学模型，对预测对象未来在数量上的表现进行预测等方法的总称。汽车市场定量预测方法一般有以下几种。

(1)时间序列预测法。时间序列是指某种社会经济统计指标同一变量的一组观察数值，按时间先后顺序排列而成的数列。根据时间序列分析社会经济现象发展变化过程的规律性，测定其发展变化的趋势和程度，运用一定的数学方法构建预测模型，并据此确定市场预测值的方法，称为时间序列预测法。它具有以下特点。

①假定事物的过去会同样延续到未来。

②时间序列的数据变动同时存在着规律性和不规律性。

③不考虑市场发展的因果关系。

为确保对经济现象发展过程及其规律性进行动态分析的正确性，保证时间序列中各数值之间具有可比性是十分重要的。因此，在编制时间序列过程中，应尽量做到总体范围、时间单位、指标的经济内容、指标的计算方法和计算单位等的一致。

时间序列预测模型有多种，这里只介绍较常用的简单平均法、移动平均法和指数平滑法。

①简单平均法。简单平均法是通过对一定观察期时间序列的数据求得平均数，以平均数为基础确定预测值的方法。这是市场预测中最简单的定量预测方法。

简单平均法有很多种，最常用的有算术平均法、加权平均法和几何平均法等。这里主要介绍算术平均法和加权平均法。

算术平均法即根据对n个观察值计算平均值来作为预测值，它最大的优点是计算十分方便，一般用于预测对象并无显著的长期趋势和季节变动时。算术平均法的数学模型为

式中:y′n＋1——第n＋1期销售量的预测值；

yi——第i期实际销售量；

n——所选资料期数。

算术平均法计算简单，因而用起来很方便，但把用全部资料之和除以求和时使用的资料个数而求得的算术平均值直接作为预测值，其精确度不会很高，而且因为使用的都是过去统计的资料，无法反映市场状况的变化及发展趋势，预测结果往往与实际结果有偏差。

加权平均法是在预测中根据每个预测值的重要性给予不同的权数。算术平均法对所有观察值不论新旧在预测中一律同等对待，这是不符合市场发展的实际情况的。而加权平均法不像算术平均法那样在计算平均值时对移动期内的数据同等看待，而是根据越是近期的数据对预测值影响越大这一特点，不同的对待移动期内各个数据。它对近期数据给予较大的权数，对较远期的数据给予较小的权数，这样来弥补算术平均法的不足。加权平均法的数学模型为

式中:yw——加权平均值；

wi——第i期的权重；

xi——第i期的统计值。

【例4-1】某汽车营销企业2019年1－6月的销售额分别为260万元、270万元、240万元、280万元、260万元、250万元，假定给予这6个月观察值相应的权数依次为1、2、3、4、5、6，用加权平均法预测该营销企业7月的销售额。

解:用加权平均法计算的7月的预测值为

②移动平均法。移动平均法属于时间序列法中最简单的一种方法，即根据已有的时间序列统计数据加以平均化，以此推断未来发展趋势的预测方法。移动平均就是将已有的时间序列数据分段平均，并逐期移动。经移动平均后，就能消除由于季节性、周期性变动或突然事件的影响因素。这种方法一般适用于变动不大的比较单纯的预测对象的短期预测，主要可用在预测商品流转额和市场需求等方面。

移动平均法可分为一次移动平均法和二次移动平均法。在这里主要介绍一次移动平均法。

一次移动平均法又称简单移动平均法，即通过一次移动平均进行预测的方法。它按选定段的大小，对已有的时间序列数据逐段平均，每次移一个时期。具体做法就是把最后一期的移动平均值作为下一期的预测值。其计算公式为

式中:y′n＋1——n＋1期的一次移动平均预测值；

yi——第i期的实际销售值；

k——移动跨期。

【例4-2】某汽车营销企业2019年前10个月的销售额，如表4-1所示。

表4-1　2019年1～10月的销售额

现分别以5个月和7个月的实际销售额的平均值作为第11个月的销售量的预测值。其计算结果，如表4-1所示。

当k＝5时，则第11个月的预测值为

当k＝7时，则第11个月的预测值为

应用移动平均法时要注意的关键问题是移动跨期k的取值，k的取值不同则移动平均值也不一样。k取值大，移动平均数对干扰的敏感性低，预测值的趋势性比较平稳，但落后于可能发展的趋势。k取值小，移动平均数反映实际趋势较敏感，但也因此而易造成错觉。到底k的取值应多大，则视具体情况来定。一般来说，若时间序列数据波动大，k值宜取较大值，反之k应取较小值。同时，k的取值还应考虑资料期的多少。其次，如经过简单移动平均后的数据仍不能反映数据平分的趋势时，就需要进行二次移动平均，以预测其总体发展趋势。二次移动平均法就是在一次移动的基础上再进行一次移动处理，方法和前面介绍的基本相同，在这里就不介绍了。

③指数平滑法。指数平滑法的原理就是认为越近的观察值包含了越多的未来信息，因而越近的观察值应赋予越大的权重，越远的观察值则应赋予越小的权重。通过这种加权的方式，平滑掉观察值序列中的随机信息，找出发展的主要趋势。

指数平滑法的数学模型为

St＋1＝αYt＋(1－α)St

式中:St＋1——第t＋1期的平滑值；

Yt——第t期的观察值；

α——平滑系数，0<α<1。

公式中，平滑指数α实际上是一个加权系数，α的大小实际上体现了不同时期的实际观察值对预测的影响程度的大小。α取值大时，近期的实际观察值的重视程度就高，预测值对新趋势的反映就灵敏；α取值小时，说明这期的实际观察值对预测值的影响较大，使预测呈平稳状态。那么，α的取值到底应依什么来定呢?一般来说，时间序列波动大，α可取较大的值；时间序列波动小，α可取较小的值。其取值范围一般为0.05～0.5。

因此，当α＝1时，1－α＝0，下期的预测值就等于本期观察值。当α＝0时，1－α＝1，预测值等于常数。

下面以表4-1的数据为例，用指数平滑法求预测值。设α为0.2，S0⑴＝48，则

则第11期的预测值为57.9万元。

同理，如设α＝0.5，S0⑴＝48，则

从上面的计算中可看出，当α＝0.2时，该汽车销售企业2014年第11个月的销售额可能达到57.9万元；当α＝0.5时，该汽车销售企业2014年第11个月的销售额可能达到66.3万元。α取值不同，其产品预测结果不一样。因此，α的取值成为指数平滑法运用的关键。此外，在用指数平滑法进行预测时，由于前后两期的预测值有偏差，为使预测值更加准确，可在一次平滑的基础上再进行一次平滑，即用二次指数平滑法使预测值更接近实际值。

二次平滑法是对时间序列数据做二次平滑，并和一次平滑与二次平滑之间的滞后差建立预测模型。二次指数平滑值的计算公式为

式中:St⑵——第t期的二次指数平滑值:

St⑴——第t期的一次指数平滑值:

——第t－1期的二次指数平滑值；

α——二次平滑系数。(www.zuozong.com)

利用二次指数平滑法进行预测的模型为

式中:——第t＋T期的预测值；

at——线性截距；

bt——趋势线的斜率；

T——预测周期长度。

指数平滑模型的建立包括加权系数α的选择、初始值的确定和模型系数的确定。

①α的选择。α表明了预测人员对近期观察值信息的倚重程度。经验表明，α一般应由预测人员在下面公式计算的α值附近，α值的选择原则是检验误差最小。

α＝2/(N＋1)

式中:N——观察值数目。

在选择α的过程中若参考下列原则，则有利于尽快找到合适的α值:若观察值的发展趋势比较稳定，应选择小一点的α值，以包含长一些的时间序列信息；若观察值的发展趋势已发生了系统的改变或有理由认为近期数据更好地反映了发展趋势，则应选择大一些的α值。

②初始值的确定。指数平滑法模型是一个迭代计算过程，所以首先必须确定初始值S。它们的确定既可利用一定的数学方法进行计算，又可根据经验直接给定。利用数学方法计算一般比较复杂，并且依赖于足够的观察值数目，意义通常不大，更多情况下，可以采用直接将前几个观察值的平均值作为初始值的方法。

③模型系数的确定。在α和初始值确定之后，模型中的系数就可以确定了。

指数平滑法的特点:一是需存储的数据少；二是能够用于中短期预测。

(2)因果分析预测法。因果分析预测法是从事物变化的因果关系出发，寻找市场发展变化的原因，分析原因与结果之间的联系，建立数学模型，据此预测市场未来的发展变化趋势和可能水平。

因果分析预测法中最常用的有回归预测模型和经济计量预测模型，这里只以回归预测模型为例说明。回归预测模型基于惯性和相关理论的统计学模型，是最常用的预测模型之一。通常情况下，只选用一元线性回归预测模型。

一元线性回归分析法是在考虑预测对象发展变化本质的基础上，分析因变量随一个自变量变化而变化的关联形态，借助回归分析，建立它们之间因果关系的回归方程式，描述它们之间的变化数量关系，并以此进行预测的方法。

一元线性回归分析法属于数理统计的最基本方法，它首先假定只有一个变量(即某种因素)对预测结果产生影响，而且这种影响是线性的，然后从大量的基础数据中确定因素对结果的影响程度，即确定其线性关系。在预测中运用该方法时必须事先满足以下前提条件。

①预测对象和影响因素间必须存在因果关系。

②必须有足够多的基础数据。

③基础数据均以二元组的形式出现(因素值和结果值)。

④过去的和现在的数据之间应呈现出某种规律性(即数据的分布呈现出线性趋势)，并能反映出未来状态。

一元线性回归的数学模型为

y＝a＋bx

式中　x——变量(即因素)；

y——因变量(即结果)；

a——基点，即在无x影响下y的值；

b——回归系数，即因素x对结果y的影响程度。

上述系数a和b的求法如下:

式中:n——(xi，yi)观察值的组数；

xi——样本点中的因素值；

yi——样本点中的观察值。

一元线性回归预测的步骤如下。

①确定预测目标和影响因素。根据决策目的的需要，明确进行预测的具体目标，分析并寻找影响预测目标的相关因素，并判断选出主要的影响因素，也就是决定自变量和因变量。

②收集整理自变量和因变量观察样本资料。根据预测要求，通过市场调查，收集纵断面观察样本资料或横断面观察样本资料。

③建立一元回归方程预测模型。

④进行相关分析、方差分析和显著性检验。

⑤根据模型进行预测。经过了相关分析与显著性检验后，利用达到某一显著水平的一元回归预测模型进行实际预测，包括计算预测值和置信区间。

3.如何选择合适的预测方法

随着市场预测应用的日益广泛及预测研究的发展，近年来发展了许多种不同的预测方法，每一种方法都有一定的范围和局限性。即使对同一预测问题，若选用不同的预测方法，以及不同的取材和不同的分析思路，得到的预测结论也不一样，预测精度也不相同。仔细了解各种预测方法的基本原理、假设条件和适用范围，根据预测的具体要求和实际条件，因时因地制宜，选择合适的预测方法，往往可以收到良好的效果。

预测方法的选择取决于多种因素。预测目标及预测对象本身的特点、预测的范围、预测的时间界限、产品的生命周期，以及数据资料的丰富程度和预测精度的要求都是选择预测方法时必须考虑的问题。

(1)不同的预测目标适用的预测方法不同。产品需求预测、销售预测常运用趋势分析法或市场调查技术即可满足一定的精度要求；而新产品开发预测一般多采用专家咨询法进行前景分析；对于一些宏观部门或行业的某一产品预测，希望提供的是战略性的、带有指导意义的某一产品未来发展趋势的信息。由于某一工业产品的宏观发展必然与整个国民经济的发展和生产结构有一定的联系，如汽车工业的发展必然与国民经济发展走势及钢铁、能源、交通等其他行业的发展有关，所以，预测汽车工业的发展不能不考虑到工农业生产发展速度、固定资产投资指标等，也要考虑它与其他行业的关系，因而宏观预测常采用多元回归分析等多目标预测技术进行系统地预测。

(2)产品本身的特点也是选择预测方法时需要考虑的一个重要因素。有些产品，如汽车通用零配件、标准件，其特点是需求量大、需求面广，由于其各方面的许多正面影响与负面影响相互抵消，而总体需求却呈现出某种基本的发展趋势，因而其需求比较稳定。对这一类产品的预测，采用时间外推法不失为一种简易有效的方法。时间外推法主要是利用历史资料，根据预测销售量与较近实际数有关的原理，运用数学方法，将发展趋势外延、引申，从而达到预测未来的目的，如单纯移动平均法、趋势平均法等。对某些专用产品，如一些通用性差的特殊用途的零配件，由于其服务面窄、供求关系比较明显，故可以用相关分析的方法进行预测。

(3)产品所处的生命周期不同，选择的预测方法不同。对处于不同生命周期的产品，选择不同的预测方法。对处于投入期的新产品，因其刚刚问世不久，人们对其还不太了解，积累的数据资料也少，在此情况下，很难采用定量计算的方法进行预测，这时通常采用市场调查法和类推法。市场调查法主要是调查用户对新产品的反映。类推法是通过对历史上的同类产品发展过程的分析，或对其他地区同类产品发展趋势的类比分析，预测产品的需求前景。

(4)预测的时间界限也是选择预测方法时必须考虑的一个因素。短期销售预测主要是指月度预测，采用市场调查法、移动平均法和作图法较为适宜；近期市场需求预测，特别是一年之内的销售预测，一般采用市场调查法与指数平滑法；对一年以上的中期预测则不能不考虑到某些影响因素的作用，常需要配合因果分析的方法；而对于长期发展预测，不确定的因素更多，单纯定量预测方法是不适宜的，常常采用专家咨询的方法，对预测目标未来的发展趋势进行定性分析。

此外，预测成本、现有的数据条件都是预测方法选择中必须考虑的问题。有的预测方法虽然精度高一些，但成本相当高；有的方法虽然预测精度稍差一些，但却成本低廉。

在实际预测工作中，不能把上述因素分开考虑，而应该加以综合，权衡利弊，立足现有基础，做出恰当的选择。

当采用定量预测方法时，对于同一预测对象，人们既可以采用多种预测模型，也可以对同一模型采用不同的自变量。这种对同一预测对象采用多种途径进行预测的方法称为组合预测方法。它是现代预测科学理论的重要组成部分，其思想就是认为任何一种预测方法都只能部分地反映预测对象未来发展的变化规律，只有采用多种途径进行预测，才能更全面地反映事物发展的未来变化。实践证明，组合预测方法比单一预测方法对于改善预测结果的可信度具有更显著的效果。

本项目主要讲述了汽车市场调查和预测的原理和方法，汽车市场预测的方法为了解性的介绍。本项目主要知识点和技能点有汽车市场调查的常用方法，包括间接调查法、直接调查法等，讲解了各种方法的优缺点及其适用性，并运用范例详细讲解了调查方案的设计和调查问卷的制作及其技巧，简单介绍了市场预测常用方法的使用。

(1)汽车市场调查对于汽车销售企业有什么重要意义?

(2)汽车市场调查的主要内容是什么?

(3)汽车市场调查有哪些方法?

(4)汽车市场调查的步骤是什么?

(5)汽车市场预测的步骤和方法是什么?

设计一份关于国产家用轿车调查的问卷，并进行实地调查，最后写出调查报告。

同步训练

就选定的车型进行竞争者调查和消费者需求调查，包括消费行为和消费心理。制作调查问卷，展开调查。