资源描述：
《中国汽车市场中的“r值规律”及应用分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、中国汽车市场中的“R值规律”及应用分析第34卷第5期2010年lO月武汉理工大学(交通科学与工程版)JournalofWuhanUniversityofTechnology(TransportationScience&Engineering)Vo1.34No.50ct.2010中国汽车市场中的"R值规律"及应用分析马钧郭冬立杨帆(同济大学汽车学院上海200092)摘要i针对中国汽车市场未来的容量问题,根据汽车发展先导国的经验(即新车注册数与R值都存在一定的关联),通过回归分析,建立了新车注册数和R值之间的经验模型.讨论经验模
2、型的使用范围,对其进行适当的分段处理,发展成为汽车容量预测模型,使其能够针对中国不同地区经济发展状况运用不同的预测参数.运用这套预测模型,给出了中国乘用车未来1O年的汽车需求量.关键词:汽车;R值;未来汽车需求量;回归分析;预测中图法分类号:u49DOI:10.3963/j.issn.1006—2823.2010.05.052R值,指某一地区的平均车价与这一地区人均GDP的比值.R值规律描述的是一个国家/地区,在正常的政策条件下,随着人们经济和信贷能力提高而加大汽车购买需求的发展规律.根据2002～2009年,我国34个省的乘用车新
3、车注册数和R值数据L1≈],以我国34个省的R值为横坐标,同一时期的对应省的每千人新车注册数据为纵坐标,建立两者之间的散点图(见图1).可以看出,两者之间存在显着的曲线关联(见图1).因此笔者认为可以构建y与x之间的一元非线性模型,通过考察自变量X的发展趋势,来预测我国未来一段时间的乘用车每千人新车注册数,即未来我国汽车需求发展的趋势预测.1乘用车增长量与R值相关性分析1.1回归模型的构建笔者认为指数曲线(exponentia1),幂函数曲-4量塞蓄巢图12002~2009年我国各省市乘用车每干人新车注册数与各省市R值的散点图线(p
4、ower),S曲线(s),复合曲线(compound)的回归模型具有较好的拟和效果.用SPSS软件进行多重曲线拟和回归分析口],因变量为每千人新车注册数,自变量为R值,情况如表2.通过拟和结果发现,幂函数曲线模型的可决系数为0.873最高,每千人新车注册数(y)与R值(x)之间的幂函数曲线回归模型为最佳拟和模型,其详细计算结果见表3～表5.表Z模型汇总和参数估计●收稿日期:2010—09—2O马钧(1970一):男,博士,副教授,主要研究领域为汽车市场营销第5期马钧,等:中国汽车市场中的"R值规律"及应用分析吾3o量丫20鬃10奏.
5、讲糯010203O40值图2每干人新车注册数表3模型汇总自变量为R值表4ANOVASigB标准误In(R值)一1.3670.033—0.934—4l_1030.000(常数)37.0062.69613.7270.000因变量为1n(每千人新车注册数)从结果可以看出,模型的自相关系数为0.934,可决系数为0.873,修正后的R.为0.872,接近1;SignificanceF值远远小于0.05;无论是自变量还是常数项,其t检验的显着性概率均获通过(即,各项得Sig,t值远远小于0.05),说明幂函数回归模型的拟和效果很好.幂函数回归
6、模型为:y一37.006×X?.1.2回归预测模型的分段观察此幂函数模型,随着x趋近于0,Y将趋于无穷大.这个情况显然在现实生活中是不合理的,因此,需要对此模型中X的适用范围加以研究和定义.首先,生成此模型的基础数据中X(即R值)的最小值为1.6,最大值为40.8,X<1.6和X>40.8的区域没有数据点覆盖.其次,数据点的分布类似于阵态分布,两头(x<2和X>14)区间上的数据点较少,中部数据点较多.具体数据点再各值段的分布频率如图3所示.祷值图3R值分布图如图3所示在(0,1)的区间内,仅有4个数据点;
7、在(14,15)的区间内仅有2个数据点;只有在[2,14]区间中每个相隔为1的值段内数据点的分布都大于5个,数据点的分布相对密集.因此,笔者认为,根据此数据基础模拟出的R值规律模型,在2≤X≤14,即2≤R≤14的范围内最具有说服力;对于X>14和X<2,即R>14和R<2这两部分,数据点都较少,此模型说服力较弱.R<2时,说明不到2年的家庭收入就能够买一辆车.此时,该地区家庭汽车一般已经经历了从无到有的转折和爆发性变化,该地区的汽车销售此后都将主要被用于替换原有的家庭用车.本文中斜率取值为R一(2+1
8、4)/2—8时,曲线Y=37.006×X一1.367的斜率一2.95,则此部分的预测公式为y一一2.95×(X一2)+Yo.式中:y0为X≤2时的某地区每千人新车注册数.R>14时,人均购买力较弱,该地区的汽车销售发展非常缓慢,
