我國新能源汽車公共充電樁保有量預測

摘要：在“雙碳”的目標之下，我國新能源汽車市場快速發展，充電設施作為其配套服務行業，現已成為支撐新能源汽車產業發展的重要因素。基于此，選取我國2019年1月—2023年12月新能源汽車公共充電樁保有量進行預測，運用R軟件建立ARIMA模型，并對模型進行檢驗及擬合，同時用已有數據進行驗證，結果表明該模型的預測效果較好，具有一定參考價值。

關鍵詞：ARIMA模型；新能源汽車；公共充電樁；保有量預測

中圖分類號：U469.7? 收稿日期：2024-03-20

DOI：1019999/jcnki1004-0226202405024

1 前言

隨著全球氣候變化和環境問題日益嚴峻，綠色低碳高質量發展已成為各國共同追求的目標。在這一目標下，我國新能源汽車市場迅猛發展，而充電樁作為新能源汽車產業鏈下游的重要環節，在國家政策的大力支持和市場需求的帶動下，其市場從初步發展到新基建的確立，逐步走向成熟，有著非常廣闊的前景。

近年來，國內眾多學者對新能源汽車充電樁相關問題進行了研究，并發表自己的觀點。例如，董恒祥等[1]對目前新能源汽車充電樁存在的問題進行了分析，最后針對今后充電設施行業的發展趨勢進行了探索。許丙坤等[2]對新能源汽車充電樁新基建存在的問題進行分析，并提出相應的解決策略，促進新能源汽車行業的可持續發展。通過上述文獻可以看出，國內學者的研究僅停留在市場政策方面，對新能源汽車公共充電樁保有量預測的研究幾乎沒有。公共充電樁是為社會全部或部分車輛提供充電服務而進行建設運營的充電樁。為了解我國新能源汽車公共充電樁市場未來的需求，本文將建立預測模型，并對新能源汽車公共充電樁保有量進行預測。

結合本文所收集數據的特征，采用ARIMA模型較為合適，此模型理論成熟，應用廣泛。例如繆輝等[3]采用ARIMA模型對我國新能源汽車的月度銷量數據進行預測，表明模型具有良好性能。王旭天等[4]選用我國汽車銷售月度數據，構建具有季節性的ARIMA模型預測，模型合理有效。綜上所述，本文將通過建立ARIMA模型對我國新能源汽車公共充電樁保有量進行預測分析。

2 數據描述

為預測分析我國新能源汽車公共充電樁保有量的趨勢和變化，本文通過收集我國充電聯盟發布的數據，整理得到2019年1月—2023年12月（共計60個月）各月新能源汽車公共充電樁保有量數據。根據該數據繪制出新能源汽車公共充電樁保有量的時間序列趨勢圖，如圖1所示，可以觀察發現總體呈上升趨勢，且時序圖存在季節性。

3 模型概述

ARIMA（p，d，q）模型可以將非平穩時間序列轉化為平穩時間序列并對序列進行科學的預測。該模型數學表達式為：

[φ（B）Δ（D）Xt=θ（B）at]? ? ? ? ? ? ? ? ? ? ? （1）

式中，B為延遲算子；Δ為差分算子；[Xt]為時間序列。at為白噪聲序列；[φ（B）]及[θ（B）]分別為自回歸算子和移動平均算子。

但由于所用數據的時序圖存在季節性，需要消除季節性的影響，因此選用季節性ARIMA模型預測更為合適。即ARIMA（p，d，q）（P，D，Q）m，其中p為自回歸階數，P為季節性自回歸階數，d為差分次數，D為季節性差分次數，q為移動平均項，Q為季節性移動平均項，m為每一季節的周期值。

4 模型構建

41 平穩性檢驗

平穩性檢驗可以檢驗時間序列數據是否平穩，可使用ADF檢驗來判斷，計算結果顯示原序列p=099>005，不能拒絕原假設，此序列不平穩。原序列數據是呈線性上升的，為了消除線性趨勢，需要進行一階差分（d=1），一階差分后發現新序列依然不平穩，考慮序列具有周期為12的季節性。為了消除季節性進行一階12步差分（d=1，s=12），再對一階12步差分序列進行ADF檢驗，得到p>001，此時拒絕原假設，此序列平穩，結果見圖2。

42 純隨機檢驗（白噪聲檢驗）

為了確定平穩序列是否值得繼續分析下去，需要進行純隨機檢驗。檢驗結果顯示p值為00044<005，則拒絕原假設，時間序列為非白噪聲序列，該序列可以進行模型擬合。

43 模型識別

對一階12步季節差分后的序列繪制自相關圖（ACF）和偏自相關圖（PACF），如圖3所示。對于非季節項，只做了一階非季節差分d=1，從PACF看出p=0或2，從ACF看出q=0。而對于季節項，也只做了一階季節差分D=1，從PACF看出P=1，從ACF看出Q=0。根據R軟件自動定階及結合ACF、PACF圖，選出以下三種模型：ARIMA（0，1，0）（1，1，0）12；ARIMA（2，1，0）（0，1，0）12；ARIMA（2，1，0）（1，1，0）12。

44 模型檢驗

441 模型顯著性檢驗

模型顯著性檢驗即殘差序列應該為白噪聲序列，白噪聲統計量的p>005時，模型的殘差序列為白噪聲序列，即該擬合模型顯著成立。根據R軟件運算結果見表1。從表1可以看到模型ARIMA（0，1，0）（1，1，0）12延遲6、12、18階的模型顯著性檢驗p值均大于005的顯著性水平，該擬合模型有效。模型ARIMA（2，1，0）（0，1，0）12只有延遲6階的模型顯著性p值為04574，大于顯著性005，而延遲12階及18階的模型顯著性均小于005，該擬合的模型不顯著。模型ARIMA（2，1，0）（1，1，0）12延遲6、12、18階的模型顯著性檢驗p值均大于005的顯著性水平，認為該擬合模型有效。綜上所述，模型ARIMA（2，1，0）（0，1，0）12的p值小于005，故剔除。

442 參數顯著性檢驗

為了使模型精簡高效，構造參數顯著性檢驗，可調用pt函數求出p值。運行結果顯示余下兩個模型t統計量的值均小于005，拒絕原假設，參數均顯著有效。

5 模型優化

AIC函數及BIC函數達到最小的模型為相對最優模型。根據表2所示結果進行對比可知，相對最優模型為ARIMA（2，1，0）（1，1，0）12，它的基本公式為：

（1-2362×10B-7380×10-4B2）（1-6089×10-7B12）

（1-B）（1-B12）Xt=at? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

式中，B為延遲算子；at為白噪聲序列；Xt為月度充電樁保有量數據。

6 模型預測

首先利用建立的ARIMA模型對新能源汽車公共充電樁保有量進行預測，結果如圖4所示。圖中非陰影部分線條為實際值，陰影部分線條為擬合值，陰影部分置信水平為R軟件默認的995%的預測值置信區間，可以直觀看到預測值折線落在此區間內，而且呈現明顯的上升趨勢。

然后選取了2023年12月—2024年2月的真實值與預測值做對比，結果見表3。表3中預測值都落在概率為995%的區間數值內，說明模型擬合效果較好。為了更好地評價模型真實值與預測值的預測誤差，選用相對百分比誤差（RPE）和平均絕對百分比誤差（MAPE）評價，RPE和MAPE越小，說明模型的預測效果越好，根據計算可知兩個月的相對百分比誤差都控制在4%以下，同時MAPE為315%，也在4%以下。

最后，通過觀察預測的時序圖以及計算誤差率兩種方法，都證明了本文所建立的保有量預測模型效果較好。

7 結語

本文通過收集我國2019年1月—2023年12月新能源汽車公共充電樁保有量數據，利用R軟件建立ARIMA預測模型，模型通過平穩性、純隨機等檢驗，并對比真實值與預測值，結果表明ARIMA（2，1，0）（1，1，0）12模型擬合效果較好且預測精度較高。

隨著新能源汽車市場的不斷擴大和技術的不斷進步，充電樁建設是新能源車產業可持續發展的重要支撐，為推動我國新能源汽車充電基礎設施進一步發展，相關部門應采取措施鼓勵企業加大充電樁的投資和建設力度，確保充電站點的密度和覆蓋面進一步提高。尤其是中小城市和農村地區，鼓勵企業增加對這些地區的投資，實現充電基礎設施的均衡發展。同時為了保障充電樁的正常運營和用戶體驗，相關部門可加強對充電樁運營企業的監督和管理。最后國有品牌應積極提升電動化智能化技術水平，增強我國新能源汽車產業競爭力。

參考文獻：

[1]董恒祥，潘江如，趙晴，等新能源汽車充電設施行業現狀與發展趨勢分析[J]時代汽車，2022（10）：128-129+132

[2]許丙坤，邱盈飚，牛志偉，等新能源汽車充電樁新基建存在問題與解決策略[J]汽車測試報告，2023（19）：146-148

[3]繆輝，唐晨添，羅露璐基于ARIMA模型的新能源汽車銷量預測[J]企業科技與發展，2020（10）：97-98

[4]王旭天，李政遠，舒慧生基于SARIMA的我國汽車銷量預測分析[J]中國市場，2016（1）：71-74

作者簡介

繆輝，男，1994年生，助教，研究方向為大數據分析。