基于EViews的國內客車銷售發展趨勢分析

王艷杰，韓廣德，閆安，王國泰

山東交通學院汽車工程學院，山東濟南 250357

0 引言

我國的客車生產從以中外合資及技術引進為主到自主研發生產為主，種類從最初單一的柴油客車拓展到新能源、純電動、氫能源客車等，目前已達到世界領先水平，產品遠銷全世界60多個國家。由于近幾年飛機、高鐵、地鐵等交通方式的快速發展，人們對交通出行方式的選擇更加多樣化，長途客車的需求量有所降低，節假日高速公路通行費減免以及共享汽車、電動汽車的大力推行，在一定程度上抑制了公路客運的發展。客車行業經歷了2008—2015年的快速發展期后，從2016年開始客車銷量逐漸下滑，公路客運量下降。

1 我國客車行業的發展現狀

1.1 客車銷售現狀

我國作為世界最大的客車市場，主要以生產銷售宇通、中通、比亞迪、金龍等品牌客車為主，其產品在國內市場的占有率高達90%，國際市場占比達30%以上[1]。近幾年客車銷量如圖1所示。

由圖1可知：客車銷量在2008—2015年快速增長，在2015年銷量達到頂峰,為57.15萬輛;從2016年開始連年下滑，2018年降至最低,為48.5萬輛。

車型不同，銷售情況不同。大型客車降幅較大，2018年全年銷量僅7.7萬輛，較2017年下降18%，而中小型客車以及校車整體減幅相對較小[2-3]。

1.2 公路客運量

近10 a的公路客運量如圖2所示。由圖2可知：2009—2012年公路客運量穩步增長，自2013年開始，客運量逐年下降。這是因為：自2013年起，鐵路與民航客運量、私家車擁有量出現較大增長，以滴滴出行、神州租車為代表的出行平臺開始快速推廣，使公路客運受到影響。

圖1 2009—2018年客車銷量

圖2 2009—2018年公路客運量

2 影響客車銷量的因素

1)國內生產總值

國內生產總值(GDP)是一個國家經濟實力最重要的宏觀衡量標準。2018年中國的GDP為90萬億元，占全世界GDP總量的1/6。國家GDP的增長給國家工業帶來了發展機遇，客車行業也不例外[4-5]。

2)國家政策

國家將新能源客車的研發列入“863計劃”，從2010年起國家開始對新能源客車實施補貼，對客車企業在新能源技術研發以及市場推廣方面投入了大量資金，促使新能源客車市場迅速發展，截至2018年底，新能源客車的銷量已達到91 642輛。但隨著新能源汽車補助標準的降低，客車銷量開始出現下滑[6-8]。2019年新能源客車補貼額度下降幅度較大，國家政策向純電動客車與氫能源客車傾斜[9]，加上國五排放標準汽車的禁售，這些對柴油客車市場都造成較大的沖擊。

3)軌道交通客運量

輕軌、地鐵等軌道交通的快速發展，減緩了城市公交車的發展速度。城市公交車在整個客車銷售市場份額占比高達70%以上，故軌道交通客運量是影響整體客車市場的重要因素[10-11]。近10 a軌道交通的客運量如圖3所示。

圖3 2009—2018年軌道交通客運量

4)公路里程

日益增長的公路里程使交通網絡四通八達，為長途客運、中短途客運、城際客運、公路貨運提供了保障，所以公路里程是影響客車銷量的主要因素。

5)鐵路營運里程

21世紀以來，中國的鐵路里程居世界第一，高鐵平均運行速度居世界第一。鐵路建設的快速發展，影響了人們的出行選擇，長途客運量明顯減少，故鐵路營運里程是影響客車銷量的主要因素。

6)其他因素

輕量化設計、智能化控制等客車制造關鍵技術的應用，發動機、高性能車橋等客車主要零部件產業基礎的發展,客車企業的知名度與國際影響力以及車型的實用性與經濟性等因素對客車市場也有較大影響[12-13]。

3 線性回歸模型的構建

3.1 變量的選取與數據收集

客車銷量作為因變量y，選取國內生產總值x1、軌道交通客運量x2、公路里程x3、鐵路營運里程x4等影響客車銷量的因素作為自變量，并以表1所示2009—2017年的統計數據(數據來自中國國家統計局-數據查詢)作為參考，建立多元線性回歸模型，利用EViews軟件進行參數估計，并對模型的相關性進行檢驗[14]，確定擬合優度系數較高、概率低于0.01的影響因素，建立多元線性回歸模型[15]。

表1 2009—2017客車銷量及影響因素

3.2 模型建立與檢驗

3.2.1 多元線性回歸數學模型的建立

根據表1中的數據建立多元回歸模型：

y=β0+β1x1+β2x2+β3x3+β4x4+μ,

(1)

式中：β0～β4為偏回歸系數,μ為隨機干擾項[16]。

基于EViews軟件,運用普通最小二乘法得出模型(1)的擬合優度系數R2=0.891 097，表明模型的擬合程度一般，且顯著性檢驗未通過，回歸效果不好,因此，對模型(1)進行合理調整，經過多次建模與檢驗分析，建立新的客車銷量與各影響因素間的多元線性回歸模型

lny=β0+β1lnx1+β2x2+β3x3+β4lnx4+μ。

(2)

基于表1、式(2)，借助EViews軟件，利用最小二乘法進行參數估計[17]，線性回歸結果如表2所示。表2中的T檢驗是對自變量的顯著性檢驗，F檢驗是對模型(2)的顯著性檢驗。

表2 線性回歸結果

由表2可知：擬合優度系數R2=0.995 696，F檢驗值對應的概率較小，表明該模型的擬合程度較高，lnx1、lnx3、lnx4的T檢驗概率均較小，但x2的T檢驗概率比較大，表明變量x2可能不適用于該模型，或者存在多重共線性[18]。

3.2.2 多重共線性檢驗

表3 各因素間的相關系數

通過EViews軟件得到各因素之間的相關系數，分析自變量和因變量間的相關程度，如表3所示。

由表3可知：x2、x3均與lny正相關，但在表2中這兩個自變量的回歸系數為負值，即與lny為負相關，結果相互矛盾；x3與lnx4、x3與x2之間的相關系數大于0.99，呈高度相關，存在多重共線性[19]。所以需要對模型進行進一步檢驗，并確定是否刪除其中的某些因素。

3.2.3 逐步回歸分析

運用逐步回歸法解決模型(2)中的多重共線性問題[20]。

將表1中各自變量分別代入模型(2)，在給定的顯著性水平下，分別建立一元回歸方程,對每個自變量進行T檢驗，并對比各自變量的擬合程度，從中選取對y影響顯著的變量所對應的方程作為一元回歸初始模型。在一元回歸模型的基礎上逐步引入其他變量，建立二元回歸方程。以此類推將變量逐一引入方程，最終建立多元回歸方程。每一步都需要對各變量進行T檢驗，如果因為引入某一變量而使模型變得不再顯著時，則將該引入變量刪除。直到將所有的顯著變量都引入回歸方程，剔除不顯著的變量，則逐步回歸驗證結束。同時也要對已選定的影響因素依次進行F 檢驗[21]。

1)一元回歸模型檢驗

對lny與lnx1、x2、x3、lnx4進行回歸分析檢驗，一元回歸模型分析結果如表4所示。

表4 一元回歸模型分析結果

由表4可知：lnx1對應的R2最大，表明模型對因變量擬合的較好，因變量的真實值更接近擬合值。且T檢驗的概率最小并小于0.01，因此lny受lnx1的影響最大，故綜合考慮，選擇y=f(lnx1)作為二元回歸模型檢驗的初始回歸模型。

2)二元回歸模型檢驗

對y=f(lnx1)與x2、x3、lnx4進行回歸檢驗，其回歸分析結果如表5所示。

表5 二元回歸模型分析結果

由表5可知：x2對應的R2最大，且T檢驗的概率最小并小于0.01，lny受x2的影響最大，因此將y=f(lnx1，x2)作為三元回歸模型檢驗的初始回歸模型。

3)三元回歸模型檢驗

對y=f(lnx1，x2)與x3、lnx4進行回歸檢驗，其回歸分析結果如表6所示。

表6 三元回歸模型分析結果

由表6可知，x3、lnx4T檢驗的概率遠大于0.01，且對應的T檢驗值的絕對值小于T檢驗的臨界值4.032，所以三元回歸中的T檢驗未通過驗證。

經過上述逐步回歸檢驗，去除公路里程x3、鐵路營業里程x42個因素，保留軌道交通客運量、國內生產總值作為自變量，建立新的線性回歸模型

lny=β0+β1lnx1+β2x2+μ。

(3)

3.2.4 相關性檢驗

對新建模型(3)重新進行檢驗，利用T檢驗、DW檢驗(判斷模型的自相關狀態)和F檢驗方法判斷用最小二乘法估計出來的參數的優劣程度。

基于表1、式(3)，在EViews軟件中，利用最小二乘法進行參數估計，得到線性回歸結果，如表7所示。

表7 新建模型的線性回歸結果

由表7可知，R2=0.980 796，表明模型擬合效果很好，進一步對該模型進行相關性檢驗。

1)F檢驗。由于選取了9個樣本(2009—2017年數據)，且自變量數量為2，在0.01的顯著水平下，由表7可知，F的統計值為153.215 4，遠大于臨界值10.925，伴隨概率為0.000 007，遠小于0.01，所以模型通過F檢驗[22]。

2)T檢驗。表7中自變量項系數對應的概率分別為0.0001、0.0008，且對應的T檢驗值的絕對值大于T檢驗的臨界值3.707，自變量均通過了顯著性檢驗[23]。

3) DW檢驗。在0.01的顯著水平下，依據樣本容量和自變量數由文獻[21]得：DW的下臨界值DL=0.408 000，上臨界值DU=1.389 000，由表7可知，該模型的DW=2.499 897，因為DU

綜上所述，模型(3)通過了相關性檢驗，基于表7中的數據，最終建立客車銷量的多元線性回歸模型

lny=-8.358 190+0.986 610lnx1-0.023 241x2。

(4)

3.2.5 實例驗證

采用回歸模型(4)，對我國近10 a的客車銷量進行實際銷量與預測銷量的對比檢驗，結果如表8所示。

表8 客車實際銷量與模型預測銷量對比 萬輛

2018年我國軌道交通客運量高達2 127 659萬人次，國民生產總值GDP為90.030 95萬億元，經模型預測2018年銷量為50.60萬輛， 2018年我國客車的實際產、銷量分別為52.05、48.5萬輛，預測結果與實際銷量相差較小。將2009—2017年的國民生產總值和軌道交通客運量的數據分別代入模型對客車銷量進行預測，與實際銷量相比，絕對誤差較小，準確度較高。說明多元線性回歸模型(4)的預測具有較高的準確性。

4 結論

1)客車銷量與軌道交通客運量正相關，隨著軌道交通客運量的增加，客車銷量呈現上升趨勢。說明軌道交通的發展在某種程度上激增了客車的需求量，因此要加快客運供給側改革，運用“互聯網+”，盡快實現客運與傳統鐵路、城際軌道交通和城市軌道交通的無縫銜接，促進客車行業的發展。

2)客車銷量與國內生產總值負相關。GDP的提高促進了家用汽車市場的發展，也促進了人們消費形式及出行方式的多元化發展，私家車、網約車、共享汽車、高鐵及飛機等便捷出行方式的發展對客車市場有一定的抑制作用。建議：我國客車企業注重技術創新，在節能與減排技術方面加大研發力度、提高客車智能化水平；擴大海外市場，避免產能過剩；完善服務體系，提升用戶滿意度。