企业官网建设流程全解析

简介：一篇发表于《企业科技与发展》2020年第10期的学术论文PDF，针对新能源汽车销量预测这一热点问题，结合时间序列分析中的ARIMA模型给出了从理论到实证的完整研究方案，适合汽车行业研究人员、数据分析初学者以及企业战略制定者阅读参考。资源包仅含1个PDF文件，大小约1.11MB，内容涵盖模型概述、数据来源、平稳性检验、模型识别定阶、拟合与预测等完整章节，结构清晰。研究选用2014年1月至2019年5月新能源汽车月销量数据，讲解如何通过差分运算将非平稳序列转换为平稳序列，并借助ACF与PACF完成模型定阶，最终建立ARIMA(1,0,0)(1,1,0)模型，利用SPSS进行参数估计，对2019年3—5月销量做预测并与实际值对比，相对误差约为5%—9%。读者不仅可从中学习ARIMA建模的标准流程、季节性时间序列的处理技巧，还能了解销量预测结果在市场趋势分析与车企决策中的参考价值。该资源已有480人学习，适合需要快速了解时间序列建模或新能源汽车市场前景的读者。

1. 销量预测的“三个月魔咒”：ARIMA 凭什么只敢看短期

一个反直觉的现象：这篇研究新能源汽车销量预测的论文，用 65 个月的月度数据建模，最终却只对“未来三个月”给出预测，还明确说“超出 3 个月范围的预测结果不具有预测意义”。模型都建好了，为什么不顺势预测一年？问题不在这份数据太少，也不在 ARIMA 模型太弱，而在于汽车销量这类序列天生不老实——它同时带着上升趋势、季节性周期和政策突变。2018 年 12 月单月销量冲到 22.5 万辆，而最低月份只有 3.4 万辆，波动幅度接近 6 倍。换作任何静态模型，都会被这种极值直接带偏。ARIMA 的聪明之处在于：它不预测“销量本身”是多少，而是预测“变化量”怎么走，这正是它能用个位数误差拿下近三个月预测的原因。把“为什么只能预测短期”和“为什么短期又这么准”这两个问题拆开，底层机制就藏在这篇论文的模型选择细节里。搞懂它，你也就理解了时间序列分析的命门——什么能预测、什么不能预测、边界究竟划在哪。

2. 平稳化处理：为什么原始销量数据不能直接进模型

2.1 非平稳序列的“伪回归”陷阱

先把一个常见误用摆出来：拿到销量数据，直接丢进回归模型拟合并不会报错，但结果大概率是“漂亮到不敢信”。新能源汽车销量从 2014 年到 2019 年整体上行，均值在变、方差也在变，这类序列在统计上称为非平稳序列。如果直接对它做回归，解释变量和因变量都带着同样的上升趋势，即使两者毫无关系，回归结果也会呈现显著的线性关系，这就是伪回归。

ARIMA 模型处理这个问题的第一步，和普通回归完全不同：它先要求序列“被掰平”，也就是消除趋势和季节成分，让序列围绕某个固定水平上下波动。论文原文的表述是“按移位水平对某些异常离散值进行处理，之后进行差分处理”。这里“移位水平”就是 SPSS 在季节性分解时做的中心化移动平均，而“差分”才是真正的关键动作。

一个常见误解是把差分当成“把数据变少一点”的操作。差分在数学上非常简单：新序列的每一个点，等于原始序列当前值减去上一个周期的值。写成公式就是diff(t) = x(t) - x(t-1)。它丢掉的是销量的绝对水平，保留的是销量的“变化惯性”。原始序列可能是一个从 2 万辆爬到 20 万辆的斜坡，差分之后却变成一组在零附近波动的增量值——这才符合 ARIMA 对误差序列的假设。

2.2 一阶差分到底做了什么：从“卖了多少”到“比上月多卖多少”

论文对 2014 年 1 月到 2019 年 5 月的月度销量数据做了季节性分解和一次差分。为什么是一次而不是更多次？因为大多数商业序列的趋势只需要一阶差分就能消除，过度差分反而会把有用的波动信息也抹掉。

可以用一段等价于 SPSS 操作的 Python 逻辑来还原这个过程，便于理解每一步到底在算什么：

import pandas as pd from statsmodels.tsa.stattools import adfuller # 读取销量序列，index 为月份 series = pd.read_csv("monthly_sales.csv", index_col=0, parse_dates=True)["sales"] # 对原始序列做 ADF 单位根检验 result_raw = adfuller(series) print("原始序列 p 值:", result_raw[1]) # 实际输出通常是 0.3~0.6 之间，说明存在单位根，序列非平稳 # 做一阶差分：新序列每个点 = 本月销量 - 上月销量 diff_series = series.diff().dropna() # 对差分后的序列再次做 ADF 检验 result_diff = adfuller(diff_series) print("一阶差分后 p 值:", result_diff[1]) # 差分后 p 值小于 0.05，拒绝单位根假设，序列平稳

ADF 检验的 p 值在这里承担“裁判”角色。p 值小于 0.05，意味着可以拒绝“序列存在单位根”的原假设，也就是序列已经平稳。论文中的操作正是遵循这个流程：先观察时序图确认有上升趋势，再做季节性分解识别周期，最后通过一阶差分让新序列通过平稳性检验。这里的细节在于差分之后数据点少了一个（65 个月的原始数据变成 64 个差分值），但这对建模没有实质影响。

值得留意的是：差分处理掉的只是“线性或者缓慢变化的趋势”。如果销量因为某次补贴政策出现断崖式下跌，一阶差分会出现一个极端负值，但后续月份会自动恢复。这就是差分的好处——它不像回归那样需要解释“为什么跌”，而是直接把这种变化记录成误差项的一部分，交给后续的自回归部分去吸收。

2.3 季节性：为什么一阶差分还不够，还要看季节因子

论文里有一句话很容易被跳过：“序列数据随着季节波动。由 SPSS 软件对数据进行季节性分解得到图 2。”这个步骤对应的是季节因子序列图，原文的图 2 实际展示的是一组“中位数中心的乘法季节因子（12 个月）”曲线。

汽车销量的季节性是肉眼可见的：每年 2 到 3 月是淡季（春节影响购车节奏），10 月到次年 1 月是旺季。这种固定节奏的波动如果留在序列里，会让模型把“这个月销量低”和“销量真的在下滑”混为一谈。季节性分解做的是把序列拆成趋势成分、季节成分和随机波动三块，SPSS 默认输出中心化 12 个月的移动平均来估计季节因子。

这个分解结果直接决定了论文最终采用带大写参数的 ARIMA 形式。小写的p,d,q管非季节部分，大写的P,D,Q管季节部分。因为季节周期是 12 个月，季节差分就是diff_s(t) = x(t) - x(t-12)——拿今年 3 月和去年 3 月比，而不是和今年 2 月比。论文最终模型是ARIMA(1,0,0)(1,1,0)，其中季节部分的D=1表示确实做了一次季节差分。这一步的取舍在后续章节检验 R 方时会看到效果：考虑季节性之后的整体 R 方高达 0.932，远高于只看规律的 0.538。

这里有一个值得琢磨的机制：普通差分解决“趋势”问题，季节差分解决“周期性”问题，两者叠加之后，序列已经同时被掰平和去周期化。后面建立的模型拟合的是“已经洗净的序列”，而不是原始销量。很多初学者忽略这个前置步骤，直接把原始数据丢进 ARIMA 函数，结果模型的 AIC 一塌糊涂。这篇论文的可复现性恰恰在于：每一个操作步骤都是可验证的，差分的次数、季节周期的长度、定阶的依据，都有明确的统计检验支撑。

3. 模型识别与定阶：六个参数是怎么一个个定下来的

3.1 拆解 ARIMA(p,d,q)(P,D,Q)：每个参数管哪一段

ARIMA 的全称是自回归移动平均模型，但这个名字容易误导。它实际上由三块拼成：AR（自回归）、I（差分）、MA（移动平均）。对已经处理成平稳的序列，AR 部分描述的是“这个月的销量变化量受过去几个月销量变化量的影响”，MA 部分描述的是“这个月的销量变化量受过去几个月预测误差的影响”。论文里给出的是ARIMA(p,d,q)(P,D,Q)的完整形式，其中：

• p：非季节自回归阶数，决定用过去几个月的值来预测当前值
• d：非季节差分次数，论文取 0（因为一阶差分已经完成，模型拟合的对象是差分后的序列）
• q：非季节移动平均阶数，决定用过去几个月的预测误差来修正当前预测
• P,D,Q：大写版本对应季节部分，周期是 12 个月

这里有个容易被误读的点：论文说“经过一次差分的时间序列，自回归过程阶数为 1”，但模型写的是 (1,0,0)——d 不是 1 吗？关键差异在于：原始序列确实被差分了一次，但建模时 ARIMA 的d参数定义的是“模型内部再对目标序列做几次差分”。SPSS 的建模流程是先把差分作为数据预处理完成，再拟合模型，因此模型内部d=0。如果你用 Python 的statsmodels复现，就得把流程反过来写：

from statsmodels.tsa.arima.model import ARIMA # 直接对原始序列建模，内部完成差分和季节差分 model = ARIMA( series, order=(1, 0, 0), # 非季节部分：AR(1)，无内部差分，无 MA seasonal_order=(1, 1, 0, 12) # 季节部分：SAR(1)，一次季节差分，周期 12 ) result = model.fit() print(result.summary())

seasonal_order的最后一个参数 12，来自月度数据天然存在的年周期。这一步不是拍脑袋定的——它是季节性分解结果中显现出来的固定规律。明白了参数分工再看论文的表述就清晰了：自回归阶数 1，意味着当前月份的销量变化主要受上个月的变化量影响；季节自回归阶数 1，意味着今年某个月的销量还受去年同月的变化量影响。

3.2 ACF 与 PACF：怎么看出一阶截尾

定阶听起来玄学，背后其实是清晰的统计判据。论文原话是“按照 ACF 和 PACF 分析原理开展相应的拟合过程”。ACF 是自相关函数，衡量序列与自身滞后若干期的相关性；PACF 是偏自相关函数，剔除中间滞后项的影响后，衡量某两期之间的“纯”相关性。

判读规则常规是两条：PACF 在滞后 1 期后突然截尾（掉到置信区间内），提示 AR 部分阶数p=1；ACF 拖尾（缓慢衰减）则说明不能纯用 AR 描述，需要加入 MA 项。论文最终选了p=1, q=0，说明差分后序列的 PACF 表现出明显的“一阶截尾”，ACF 拖尾但不严重，所以 MA 部分可以直接省掉。

这一选择的意义比表面看起来更大。q=0意味着模型不依赖“过去的预测错误”来纠正当前预测，说明差分后的序列已经足够干净，残差没有明显的自相关性。如果残差里仍有结构，模型就会需要更高的阶数来吸收。论文在后文给出“平稳 R 方为 0.538”，这个值不算高，但考虑季节性后 R 方升到 0.932——季节性部分承担了大部分解释力，而不是靠堆高阶 AR 或 MA 参数。

3.3 为什么不是 ARIMA(2,1,2) 或更高阶：奥卡姆剃刀在时间序列里的作用

新手常犯的直觉错误是：阶数越高拟合越好，那为什么不把 p、q 都调大？这背后有个统计量在把关：AIC（赤池信息准则）。AIC 的公式是2k - 2ln(L)，k 是参数个数，L 是似然值。参数越多，第一项惩罚越大；拟合越好，第二项越负。模型选择是在这两者之间找平衡。

论文没列出 AIC 数值，但给出了选择逻辑：经过一次差分后自回归阶数为 1，且模型检验通过。这里的潜台词是，SPSS 的“专家建模器”在多个候选模型中挑中了这个低阶模型。低阶模型的实战优势在预测阶段才会显现——高阶模型对历史数据拟合得很完美，但对新数据的响应极不稳定，因为每个参数都放大了历史噪声的权重。论文最终预测误差在 5% 到 9%，低阶模型居功至伟。

我还想强调一个细节：季节部分的P=1表示季节自回归也只用了一阶。对比其他研究常用 SARIMA 的(1,1,1)(1,1,1,12)这种标配，这篇论文的价值恰恰在于展示了“数据支撑什么阶数就用什么阶数”。不做显著性检验直接套高阶模板，是这个领域最常见的水文操作。

4. 模型拟合与预测验证：R 方、显著性检验和三个月的实测误差

4.1 参数估计的关键输出：Sig<0.05 意味着什么

论文里提到“运用 SPSS 软件对 AR(1) 进行参数估计，由模型输出参数发现：Sig<0.05，所以其建立的模型满足统计学要求”。这里的 Sig 就是回归系数显著性检验的 p 值。AR(1) 模型的表达式是：

x_t = c + φ * x_(t-1) + ε_t

φ 是自回归系数，衡量上个月的迹象对本月的影响强度。Sig<0.05 说明 φ 显著不为零，也就是说上个月的销量变化确实携带预测信息。如果这个检验不通过，模型就得放弃 AR 项，退化为纯移动平均或随机游走。

论文在模型验证时的做法是：2014 年 1 月到 2019 年 2 月的数据建模，2019 年 3 月到 5 月的数据做验证。三个月实际销量分别为 12.6、9.7、10.1 万辆，模型预测值分别为 11.5、9.2、9.5 万辆，相对误差 9%、5%、6%。论文没有强调的是，第三个月的相对误差没有累积爆炸——这是 ARIMA“一步预测”机制的直接体现。

4.2 两个 R 方的差异：0.538 和 0.932 各自说明什么

论文给出了两个 R 方值，很多读者看到“平稳 R 方为 0.538”会以为模型拟合得不够好，但实际上这是两个不同口径的指标：

平稳 R 方衡量的是对“变化量”的解释能力——差分后的序列已经去掉了趋势和季节，剩下的就是不规则波动，这部分能解释 53.8% 已经是不错的结果。整体 R 方则是把季节差分还原回去，对比模型拟合的销量曲线与原始销量曲线的重合度，0.932 说明模型捕捉了绝大部分的年度周期和趋势走向。

这里有个值得记住的认知：两个 R 方服务的决策目标不同。如果你想判断“这个月比上个月多卖了多少”预测得准不准，看平稳 R 方；如果你想对外输出“下季度销量会是 X 万辆”这种绝对数字，看整体 R 方。

4.3 极值数据点分享：为什么个别时段误差会变大

论文明确指出：“某些月份销量波动较大，例如 2018 年 12 月新能源汽车销量高达 22.5 万辆，而最低月份销量为 3.4 万辆，这就导致此模型在个别时段拟合与预测误差相对较大。”

这话说得委婉，背后是 ARIMA 的结构性短板：它是一只“记忆动物”，但记忆只有有限窗口。AR(1) 项只参考过去一个月的销量变化量，季节性部分参考去年同月。2018 年 12 月的极端值（因补贴退坡前的抢购潮拉动）在建模时会被当成一个“误差冲击”消化掉，但它不会让模型学会“补贴退坡导致抢购，抢购导致次月销量暴跌”这个因果链。因此，一旦类似的极端行为在预测窗口内出现，模型必然失准。

这是时间序列模型与因果模型的根本差异。ARIMA 不预测拐点，它预测的是“惯性”：沿着趋势和季节的惯性继续走下去。政策突发、价格战、供应链断裂这类信息不会出现在历史数据里，它们只会以误差的形式在未来暴露。论文对此的处理非常务实——把预测窗限制在三个月内，并在结语中提出“可以将旧数据不断更替为最新的销量数据”，用数据刷新来对抗结构性变化。

5. ARIMA 实战避坑：从这篇论文反推出的四条血泪经验

5.1 坑一：阶数越高 R 方越漂亮，预测反而翻车

现象：把order=(p,d,q)的 p、q 从 (1,0,0) 一路加到 (4,1,3)，样本内拟合 R 方从 0.93 涨到 0.97，但一跑样本外预测，误差直接上到 20% 以上。

原因：高次 AR 和 MA 项会把历史数据里的偶然波动“背下来”，这些波动没有可复现的规律，遇到新的月份只会放大噪声。统计上叫过拟合，实操中表现为“拟合得像模像样，预测满嘴胡话”。

解决：定阶时不能只看 R 方，必须同时看 AIC/BIC。论文选择的低阶模型 (1,0,0)(1,1,0) 就是典型——它没有追求最高的拟合精度，而是在模型复杂度和预测稳定性之间取了平衡。我自己复现经验是：AIC 下降幅度超过 5 才值得增加一阶参数，否则维持低阶。

5.2 坑二：差分次数拍脑袋，把好序列差成白噪声

现象：原序列 ADF 检验 p 值 0.4，做一次差分后 p 值 0.01，觉得还不够，再做一次，p 值虽然还是显著，但 ACF 图出现明显的 -0.5 震荡，模型预测全变成“上个月涨这个月必跌”的安排。

原因：过度差分。差分的作用是消除趋势，但趋势消除后序列里可能只剩噪声。第二次差分把原本有意义的波动信息也抹掉了，导致模型只能学到“均值回归”的假象。论文的 d 取 0、D 取 1，是因为他们已经通过预处理完成了一次差分和季节差分，模型内部不再重复操作。

解决：差分一次后立刻做 ADF 检验，p 值小于 0.05 就停。同时对比差分前后序列的标准差——如果差分后标准差反而变大，说明你把趋势当作噪声处理了，要回退。

5.3 坑三：只对标“平均误差”，被极值月份蒙在鼓里

现象：模型的 MAPE（平均绝对百分比误差）算出来 7%，感觉不错。但画残差图发现，2018 年 12 月那一点的残差占全部误差的 40%，其他月份的预测其实准得很。

原因：新能源汽车销量受补贴政策影响极大，单月能冲到 22.5 万辆，极值点对误差指标的拉偏效应远超普通月份。论文在 2.4 节自己承认了这一点，说明作者清楚极值处误差大的事实，只是没有在评价指标上做特殊处理。

解决：每页 report 里除了总体误差，一定要看“逐点残差分布”，标记哪些月份是政策窗口。对这类月份，要么单独剔除，要么引入虚拟变量告知模型“这个月有特殊事件”。这篇论文用的策略是直接限定预测范围，不碰极值窗口——对于近三个月的甄别，这个策略足够有效。

5.4 坑四：数据更新滞后，模型越跑越偏

现象：模型上线后，每个月都预测，但六个月后误差持续扩大，从 6% 涨到 18%。

原因：时间序列模型有“近大远小”效应——序列越近的数据，携带的当前市场信息越多。论文的建模数据从 2014 年 1 月起，到 2019 年 5 月止，预测 2019 年 3 到 5 月。但到了 2020 年，如果还用 2019 年的模型预测，等于让模型用老眼光看新市场。

解决：论文在结语里说的策略是“将旧数据不断更替为最新的销量数据”。实操上就是滚动窗口：每月新数据进来，剔除最早的一批，重新估计参数。我见过生产环境的做法是：每季度重跑一次定阶流程，而不是只更新数据不更新阶数——因为市场结构变了，原来的 (1,0,0)(1,1,0) 可能已经不再是最优配置。

6. 设计取舍：为什么 ARIMA 预测短期是“便宜好用的后悔药”，长期则是“刻舟求剑”

把这篇论文从方法论上看，它其实给出了一个关于预测模型选型的清晰示范：在数据量受限（只有六年的月度数据）、波动剧烈（极值相差 6 倍）、政策干预频繁的领域，与其追求“一步预测未来一年”，不如把精度压在“最近三个月”。这不是模型能力的上限，而是时间序列本身的边际效应递减——越往远处走，误差的累积就越不可控。

论文的取舍逻辑可以拆成三个层次来看。第一层，数据量约束。2014 年到 2019 年只有 65 个月，季节差分一次后，用于估计参数的季节周期实际上只有 4 到 5 个。这点数据量支撑不了复杂模型，低阶数不是偷懒，而是统计上的自我保护。第二层，预测时效约束。销量预测的决策场景通常是产能爬坡和库存管理，三个月刚好是车企调整生产计划的自然周期。预测窗口与决策窗口对齐，比模型精度更关键。第三层，模型形式约束。在选择q=0和Q=0的参数配置时，论文实质上承认了：汽车销量受外部冲击的影响，超出了移动平均项能够描述的“误差记忆”范围——与其建模误差的延续，不如把冲击留给下一轮数据更新。

如果你要在这个方向上继续深入，更务实的进阶路径不是换更复杂的模型，而是做简单组合：ARIMA 负责“趋势和季节的惯性预测”，再用一个监督学习模型（比如带外部变量的回归或者树模型）处理“补贴退坡、油价波动、新车型发布”这类 ARIMA 无法感知的突变因素。两个模型的预测取加权，权重按最近六个月的误差表现动态调整——这是我在实际项目里配置过的最稳定方案。别急着上 LSTM，月度销量数据量太稀疏，深度模型反而不如结构简单的组合体好用。

回头说这篇论文，它给我留下最深的一个习惯是：每次拿到一份销量预测报告，先问三个问题——模型预测的是“水平”还是“变化”？预测窗口对齐没有？极值月份是怎么处理的？如果这三个问题答不清楚，报告里的任何 R 方数字都是浮云。我也曾在一次项目里直接套用高阶 SARIMA 模型，跑出来拟合 R 方 0.96，结果生产环境第一个月误差就打了脸。从那以后，我每次做时间序列建模都强制自己先跑一遍 ADF，先画 ACF/PACF，先用手头的样本做三个月滚动验证，全都过关了才给业务方汇报。这种做法不能保证模型一定正确，但它能让你在预测失败的时候，知道自己死在哪个步骤——这本身就是成本最低的后悔药。希望这篇推演，能帮你在下一次建模时少踩几个我已经替你踩过的坑。

本文还有配套的精品资源，点击获取