网络搜索指数与汽车销量关系研究

《网络搜索指数与汽车销量关系研究》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、网络搜索指数与汽车销量关系研究网络搜索指数与汽车销量关系研究搜索引擎已经成为消费者决策过程中信息搜索和评价过程的起点，根据在CNNIC调查社区进行的搜索营销调查显示，有77%的互联网用户在购买产品之前会上网搜索信息[1]。网民的搜索需求在一定程度上反映了他们的关注点和意图，而网络搜索数据正是对网民搜索需求的客观记录。网络搜索数据的这一特性使其能够映射用户实际生活中的行为特点，并影响企业经营和政府管理方式，成为目前研究大数据的主要方向之一。　　本文以我国汽车市场为背景，研究网络搜索数据与汽车销量之间的关系。之所以选择汽车作为研究对象，是因为汽车产

2、品属性复杂并且要求较大资金投入，消费者在购买汽车时会对汽车产品各种属性进行仔细考察和评估。不仅如此，汽车也是研究消费者外部搜索相关文献中最为常用的产品对象之一[2]。　　1研究意义与思路　　11研究意义　　网络搜索数据的利用价值已经得到了学术界的广泛关注。国外学者在房地产[3]、就业[4]、股票[5]、汽车和旅游[6]等众多领域都验证了谷歌搜索数据的作用。但是在中国，百度是应用最多的搜索引擎，因而用百度搜索指数研究中国的社会经济行为更符合实际情况。任乐通过计算相关系数、确定领先阶数并合成百度搜索指数，实证了北京市搜索数据与月旅游客流量之间的相关

3、关系[7]；袁庆玉等从网络关键词搜索数据与汽车销量的角度建立了理论基础框架，采用综合赋权法对关键词进行提取，预测了汽车销量[8]。但是对国内现有研究而言，利用网络搜索数据预测用户需求仍属于一个新的研究领域，并没有形成系统的研究体系，还存在以下不足：对于关键词的选取还存在争议。多数研究是直接指定关键词，或者是结合百度自动生成的关键词来提取指数，并没有考虑关键词能否代表用户实际的网络搜索行为。预测模型多采用时间序列的静态回归或者是对短面板数据的建模，不利于控制不同个体间的差异，也不利于准确地反映和刻画在时间推移的过程中网络搜索数据对销售影响的动态变

4、化。　　为弥补现有研究存在的不足，本文在关键词选择和模型设定上都作出了改进，目的是验证网络搜索数据如何反映当前的汽车销量并预测未来的销量变化趋势。本文的主要工作是：提出了一套结构化的流程来提取网络搜索数据关键词，并应用于我国汽车市场的研究。该流程为网络搜索数据在其他领域的研究提供了参考。　　12研究思路　　本文的研究思路如下：①对汽车销量预测和网络搜索数据应用的相关研究进行梳理，总结出现有研究存在的不足；②以2007-2015年国内市场的汽车销量为研究对象，基于文本挖掘技术，提出一套结构化的流程，获得网络搜索数据的关键词，用于提取出百度搜索指数

5、；③为避免百度搜索指数和汽车销量之间存在伪回归的可能性，对变量做了单位根检验和格兰杰因果检验；④基于108个月的长面板数据，建立百度搜索指数与汽车销量的固定效应模型，据此验证网络搜索数据如何反映当前的销量；⑤采用滚动窗口的方式预测最近12个月的汽车销量，来检验网络搜索数据的预测效力。　　2文献综述　　21有关汽车销量预测的相关研究　　关于国内汽车销量的预测，从以往的相关研究来看，学者从定性和定量两个方面进行了相关研究。在定性方面，如：门峰等针对我国汽车产业的发展方向进行研究，认为我国汽车产业已经成为国民经济的重要支柱产业，并预测未来5～10年是

6、我国由汽车工业大国向汽车工业强国转变的重要时期[9]；王莉分析了国际金融危机给中国汽车行业带来的总体影响[10]。定量方面的研究则可以分为两个层面：一是单方法预测法，如：陈欢通过定性灰色预测模型的方法对汽车销量进行了预测[11]，该方法能够反映复杂数据的非线性和汽车销量数据自身的规律性，但对历史数据过于依赖，历史数据越多，预测结果越可靠；郭顺生等基于时间序列ARMA模型对中国汽车的月销量数据进行预测[12]；汪玉秀等综合汽车颜色、排量及版本类型3个因素，建立了马尔科夫过程的4S店汽车销量预测模型[13]。二是组合预测方法，如：李响等基于ARMA

7、模型与RBF神经网络相结合的混合模型预测了天津市日汽车销量，认为组合模型相对于单一的预测模型有较高的预测精度[14]；蔡宾等采用改进差分进化算法和灰色模型对几个主要汽车品牌的销量进行了预测，并对汽车销量的发展趋势作出了判断[15]；李莉通过建立灰色模型和马尔科夫模型相结合的组合预测模型预测了我国小排量汽车的销量，该模型整合了GM模型处理光滑序列的有效性和灰色马尔科夫链处理随机序列的有效性，反映出了数据序列的发展趋势[16]。　　无论是传统的定性预测方法，还是定量预测都只能依赖于历史数据，但历史数据具有很强的延迟性，而且其预测的粒度较大，一般为汽

8、车销量的年度数据。另外，与传统的预测方法相比，人工智能建模方法虽然预测精度较高，但也存在算法复杂性高，应用广泛性和对原始数据的变化趋势依赖性较强等缺陷