引言

随着全球环境问题与石油能源危机日益严峻，发展新能源汽车已成为世界各国促进经济转型和保障能源安全的战略重心。近年来，在气候变化的全球性挑战下，各国纷纷加快低碳交通布局，新能源汽车迅速进入大众市场。当前以纯电动和混合动力汽车为主导的新能源汽车具有减少石油消耗、降低尾气排放、能源利用效率高及使用成本较低等优势，在我国还享有免征车辆购置税、上牌便利等政策支持。为应对气候变化并推动汽车产业升级，我国自“十五”以来持续出台多项扶持政策，特别是在“十城千辆”等示范工程推动下，新能源汽车市场规模快速扩大，2021年市场渗透率已达到13.4%，标志着产业进入规模化发展新阶段。然而，由于我国新能源汽车产业起步相对较晚，学术界相关研究，尤其在销量预测方面的定量分析仍较为有限，多数现有成果集中在车辆技术、政策评价、回收体系等方面，对销量趋势的预测及其影响机制的深入探讨尚显不足。因此，开展新能源汽车销量预测研究，不仅有助于把握市场未来需求，为政府制定产业政策、规划充电基础设施、优化交通与环境治理提供参考，也能为企业合理排产、供应链管理和战略决策提供依据，从而推动产业健康有序发展。在这一背景下，本研究通过构建融合预测模型，对我国新能源汽车销量进行分析与预测，并探讨其关键影响因素与发展路径，以期为相关领域的学术研究与实践应用提供有益的借鉴。

一、 文献综述

近几年来，国内许多学者使用时间序列模型对汽车销量进行研究。例如，柳东威等人用时间序列法对2014年乘用车月销量进行预测；郭顺生利用时间序列模型预测汽车销量；凌拓对我国电动汽车市场销量进行研究；田锐锋用季节性模型预测“奥迪”汽车在华销量；王旭天等人运用SARIMA对我国汽车销量预测分析等。综上可以看出，国内学者都采用了定量的预测方法，并且各位研究人员均取得了满意的研究结果。

基于上述研究背景与方法论演进，本文以新能源汽车月销量时间序列为研究对象，构建SARIMA-GARCH融合预测模型。首先，通过对序列进行季节性与非季节性差分，结合自相关与偏自相关图识别并筛选出拟合效果更优的SARIMA基础模型。进而，为消除残差序列中可能存在的异方差性并提升预测精度，对基础模型的回归残差进行ARCH-LM检验，在此基础上建立GARCH(1,1)模型，最终形成SARIMA(0,1,1)(0,1,1)₁₂-GARCH(1,1)融合模型。最后，对该融合模型的稳定性与样本外预测性能进行系统检验与比较分析。

二、市场发展介绍及分析

近年来，全球气候系统经历显著变迁，由人类活动加剧所导致的温室效应持续加剧，引发冰川消融、极端天气频发等一系列生态环境挑战，对各国可持续发展构成严峻压力。为协同应对这一全球性议题，国际间已通过《巴黎协定》等多边公约，共同推动温室气体减排行动。研究表明，化石能源燃烧是温室气体排放的主要来源，其中交通运输部门的贡献尤为突出。以欧盟为例，其通过立法设定严格的碳排放标准，系统性引导汽车产业从传统燃油技术向新能源方向转型，并配套以产业链投资、购置补贴及充电设施建设等一揽子措施，有效拉动了产业变革。日本、韩国等亦在政府政策引导下，加速布局汽车电动化转型。

我国作为全球最大的碳排放国，排放总量约占全球的四分之一，推进绿色低碳转型意义重大。为此，国家明确提出“2030年前实现碳达峰、2060年前实现碳中和”的“双碳”战略目标，具体路径包括：在2030年前使二氧化碳排放达到峰值，单位国内生产总值二氧化碳排放较2005年下降60%至65%；到2060年，通过能源结构优化、碳汇提升及负排放技术等多元手段，实现人为排放与吸收的平衡，迈向“净零排放”。在此背景下，新能源汽车因其显著的减排潜力与能源替代效应，成为支撑我国实现“双碳”目标的关键抓手，其大规模推广与应用将对交通领域低碳化转型提供实质性支撑。

（一）新能源汽车的定义

新能源汽车是指采用新型动力系统，完全或主要依靠电能、氢能等非化石燃料作为动力来源的车辆。其核心在于动力系统的技术革新，通常整合了先进的电驱动控制、能量管理及储能装置，或通过常规燃料与新型动力装置的结合实现能源高效利用。相较于传统燃油车，新能源汽车不依赖汽油、柴油等化石能源，具有低排放乃至零排放的特征，旨在推动交通出行的清洁化、高效化与智能化发展。根据动力来源与技术路径的不同，主要可分为纯电动汽车、插电式混合动力汽车、燃料电池汽车等类型。

（二）我国发展新能源汽车原因

我国发展新能源汽车是国家战略布局下的系统性选择，其驱动力来源于环境、能源、产业与经济等多重维度的综合考量。具体而言，主要动因可归纳为以下四个方面：

1. 助力“双碳”战略，推动交通部门深度减排。交通运输领域是我国碳排放的关键部门之一，其中汽车尾气排放约占总量的16%。发展以电能、氢能等二次能源为驱动的车辆，能够有效替代传统燃油，从全生命周期降低碳排放强度。研究指出，纯电动汽车与氢燃料电池车的碳减排效益显著优于传统内燃机汽车。因此，加速新能源汽车的普及与应用，是实现“2030年前碳达峰、2060年前碳中和”目标不可或缺的组成部分。
2. 降低能源对外依存，保障国家能源安全。我国原油对外依存度长期居高不下，维持在约70%的水平，能源供应安全已成为国家总体安全的重要环节。在工业化与城镇化进程持续推进的背景下，降低对进口石油的依赖具有紧迫的战略意义。《“十四五”规划》明确提出提升“能源综合生产能力”，旨在增强能源自主保障能力。新能源汽车可通过多元化国内电力结构（如风电、光伏、水电与核电）供能，从而优化能源消费结构，提高能源系统的自主性与韧性。
3. 重构产业竞争格局，实现汽车产业跨越式发展。汽车产业是国民经济的支柱产业，其发展水平直接关系到国家制造业竞争力与综合国力。在传统燃油车技术体系中，我国在发动机、变速箱等核心部件领域长期面临技术追赶与专利壁垒。新能源汽车的技术范式革新，使竞争焦点转向“三电”（电池、电机、电控）及智能化、网联化等新兴领域，为我国汽车产业打破路径依赖、抢占技术制高点提供了历史性窗口。通过强化研发投入与构建自主可控的产业链，我国有望在新能源汽车赛道实现从并跑到领跑的转变。
4. 具备显著性能与经济性优势，提升消费者福利。在技术性能层面，新能源汽车凭借电驱动系统特性，表现出更快的动力响应、更高的能量转换效率（纯电动车可达90%左右，远超燃油车约35%的水平），并在加速平顺性、噪声振动等方面具有优势。从全生命周期成本视角分析，伴随产业规模效应释放与技术迭代，新能源汽车购置成本正逐步贴近燃油车，且其能源补给成本显著更低，维护保养也因机械结构简化而更为经济。若进一步推行“车电分离”等创新商业模式，用户购车成本有望额外降低30%–40%，从而增强其市场吸引力。

综上，我国推进新能源汽车发展是基于环境可持续、能源安全、产业竞争力与市场效率的整体考量，是统筹多重国家目标、引导经济社会绿色低碳转型的战略性举措。

三、 实证分析

本研究选取2014年12月至2023年9月期间我国新能源汽车的月度销量数据，共计109个观测值。为进行模型训练与验证，将数据划分为两部分：前106个观测值（对应2014年12月至2023年9月）用于构建预测模型；后3个观测值（对应2023年10月至12月）则用于模型性能的样本外验证。

（一）平稳性检验和数据处理

对2014年12月至2023年9月我国新能源汽车月度销量时序图的分析显示，该序列表现出明显的非平稳性与季节性特征。具体而言：（1）非平稳性体现为销量随时间呈现显著的递增趋势，其增长形态接近指数曲线；（2）季节性则反映为销量在特定月份呈现规律的周期性波动。上述特征使得直接对原始序列建模效果有限。

因此，先对原始销量序列Y取自然对数，得L_Y序列，以消除可能存在的异方差问题（见图1）。随后对L_Y序列进行平稳化处理与单整根检验，若检验表明序列非平稳，则对L_Y序列进行逐阶差分，直至通过平稳性检验，再开展后续建模，结果见表1。

变量序列	ADF检验统计量	相应显著水平下的临界值			P值	结论
		1%	5%	10%
LY	0.6307	-3.5155	-2.8986	-2.5866	0.9898	不平稳
一阶差分ΔLY	-3.4565	-3.5167	-2.8991	-2.5869	0.0119	平稳

根据ADF检验结果可知：（1）L_Y序列的检验统计量大于1%、5%和10%三个显著性水平下的临界值，且接受“存在单位根”原假设的概率为0.9898，表明L_Y序列是非平稳序列。（2）一阶差分序列ΔL_Y的ADF统计量为－3.4565，低于1%的显著性水平临界值，其对应P值为0，故拒绝原假设，说明ΔL_Y是平稳的。同时，进一步对平稳序列ΔL_Y进行白噪声检验，结果显示滞后6阶至36阶的Q统计量所对应的P值均小于0.05，表明该序列并非白噪声序列，具备进一步建立ARIMA模型的价值。

（二）SARIMA(p,d,q)(P,D,Q)₁₂基础模型构建

1. 确定周期s和差分次数d、D

本研究采用月度数据，因此将季节周期设定为s=12。从L_Y序列的相关图2可见，其自相关系数呈缓慢线性衰减，并在滞后阶数为12的整倍数处出现绝对值较大的峰值，这初步提示序列存在以12个月为周期的季节性。在ΔL_Y序列的相关图3中，该特征更为明显：同样在12的整数倍滞后阶数上出现峰值，且整体呈现振荡式衰减，这进一步证实了序列具有稳定的年度季节性波动。

Autocorrelation	Partial Correlation	AC	PAC	Q-Stat	Prob

Autocorrelation	Partial Correlation	AC	PAC	Q-Stat	Prob

以上分析表明，该序列存在显著的以12个月为周期的季节性波动，这与实际业务背景相符。因此，需对其进行季节性差分（或12阶差分）以提取周期性成分。此前，对数序列L_Y经过一阶非季节差分后得到的ΔL_Y序列已呈平稳状态，故设定非季节差分阶数d取1。进一步对ΔL_Y施加一阶季节性差分，得到序列ΔΔ₁₂L_Y，其时序图与相关图分别见图4、图5。如图4所示，ΔΔ₁₂L_Y围绕零值小幅波动，表现出良好的平稳性。同时，图5显示在滞后12的整倍数时点处的相关系数在2倍标准差范围内，表明季节性成分已得到充分提取。因此，季节性差分阶数D取1能够满足序列平稳性要求。

2. 模型阶数判别

结合图5与表2的模型阶数判别准则可见，序列的自相关与偏自相关图均呈现欠阻尼振荡衰减模式。其中，非季节自相关系数在滞后1阶后明显截尾，表明非季节移动平均项阶数q可取1；而非季节偏自相关系数则呈现拖尾特征，因此非季节自回归项阶数p取0。同时，进一步观察ΔΔ₁₂L_Y序列在滞后12阶、24阶及36阶处的自相关与偏自相关系数，可识别季节移动平均项阶数Q可取0或1，季节自回归项阶数P同样可取0或1。基于上述识别结果，可初步确定符合要求的三个SARIMA(p,d,q)(P,D,Q)₁₂模型：(0,1,1)(0,1,1)₁₂、(0,1,1)(1,1,1)₁₂和(0,1,1)(1,1,0)₁₂。

参数	AR(p)	MA(q)	ARMA(p,q)
ACF	拖尾	q阶截尾	拖尾
PACF	p阶截尾	拖尾	拖尾

3. SARIMA模型拟合优度检验及筛选

对上述3个备选季节模型进行拟合优度检验，见表3。

模型	AIC值	SC值	DW统计量
（0,1,1)(0,1,1)	1.0339	1.1246	1.8534
（0,1,1)(1,1,1)	1.0442	1.1954	1.7964
（0,1,1)(1,1,0)	1.0952	1.2161	1.8349

根据表3中结果显示，赤池信息量准则（AIC）与施瓦茨信息量准则（SC）的数值越小，表明模型在拟合精度与复杂度之间的权衡越优。DW统计量则用于检验残差序列的自相关性，其取值范围在0～4之间，越接近2说明残差自相关程度越低，建模设定越合理。综合比较各候选模型，SARIMA(0,1,1)(0,1,1)₁₂模型的AIC与SC值最小，且DW统计值最接近2，表明该模型具有较好的拟合效果与残差独立性。因此，本研究选取SARIMA(0,1,1)(0,1,1)₁₂作为最优基础模型。

4. 参数检验

模型SARIMA(0,1,1)(0,1,1)₁₂的参数检验结果分别如表4所示。表中所有参数的t统计量对应的P值均小于0.05的显著性水平，参数显著，模型初步拟合效果较好。

参数	回归系数	标准误差	t-统计量	P值
MA(1)	-0.5109	0.1098	-4.6526	0.0000
SMA(12)	-0.3903	0.0789	-4.9445	0.0000

5. 残差检验

延迟阶数	Q统计量	P值
6	3.1975	0.525
12	10.301	0.415
18	14.151	0.587
24	20.031	0.581
30	21.734	0.793
36	24.306	0.890

根据SARIMA模型的构建原则，残差应满足零均值、等方差的白噪声假设。表5的检验结果显示，在滞后6至36阶范围内，残差序列Q统计量对应的P值均大于0.05，表明不能拒绝残差为白噪声的原假设，由此说明模型SARIMA(0,1,1)(0,1,1)₁₂已有效提取了序列中的主要信息。进一步对残差序列的均值特征与方差平稳性进行考察，从残差时序图（图6）可见，残差围绕零值上下波动，初步符合零均值假设，但部分部分残差超出±0.4（即两倍标准差），呈现出典型的“波动聚集”特征——即较大波动在局部时段内连续出现，在其他时段则相对平缓，这初步表明残差序列可能存在条件异方差（ARCH效应）。

为对残差序列的零均值特征及条件异方差效应进行量化验证，本文采用怀特（White）检验法对其展开ARCH效应检验。检验结果汇总于表6。

异方差检验:white
F统计量	121.9552	P值	0.0000
N·R2统计量	71.1011	P值	0.0000
LM统计量	115.2124	P值	0.0000

根据表6，F统计量、LM统计量及N·R²统计量均高度显著，其对应的P值均为0.0000，远小于常规显著性水平。因此，强烈拒绝“残差序列为同方差”的原假设，表明该残差序列存在显著的ARCH效应，即具有条件异方差性。

（三）构建SARIMA-GARCH融合模型

为进一步增强模型对序列波动特征的捕捉能力，本研究在已建立的SARIMA(0,1,1)(0,1,1)₁₂模型的基础上，针对其残差序列可能存在的条件异方差问题，引入广义自回归条件异方差（GARCH）模型进行协同建模。经过前期检验，该残差序列具备白噪声特性，且满足零均值假设，同时呈现明显的异方差现象。进一步通过Jarque-Bera正态性检验发现，检验统计量为8.5911，对应P值为0.0136，低于0.05的显著性水平，故拒绝残差服从正态分布的原假设。在此基础上，为更准确地刻画残差分布形态，后续将分别基于t分布与广义误差分布（GED）构建GARCH模型进行拟合比较。

在常见GARCH结构中，本文参考了GARCH（1,1）、GARCH（1,2）、GARCH（2,1）与GARCH（2,2）四种形式，并分别在t分布和GED分布假定下进行估计。依据AIC最小化原则及参数显著性综合比较，结果显示仅GED分布下GARCH(1,1)模型的所有参数均显著，结果如表7所示，所以最终选定该模型作为SARIMA-GARCH的融合形式。

参数	系数	标准误差	z-统计量	P值
MA(1)	-0.6256	0.0126	-49.6712	0.0000
SMA(1)	-0.8999	0.0165	-54.4542	0.0000
C	0.0203	0.0018	11.0569	0.0000
RESID(-1)	-0.0819	0.0113	-7.2436	0.0000
GARCH(-1)	0.8959	0.0167	53.6564	0.0000

因此，SARIMA(0,1,1)(0,1,1)₁₂-GARCH(1,1)模型为公式(1)和(2)：

根据式(1)的估计结果，ARCH项系数为-0.0819，GARCH(-1)项的系数为0.8959，两项系数之和为0.814，符合GARCH模型参数有界性条件，表明波动具有持续性但趋于稳定。

为验证SARIMA(0,1,1)(0,1,1)₁₂-GARCH(1,1)融合模型的稳健性，进一步对其残差进行ARCH-LM检验。结果显示，F统计量与nR²统计量对应的P值分别为0.8845和0.8826，均大于常规显著性水平，说明原残差序列的异方差效应已得到有效消除。同时，融合模型的AIC值低于单一SARIMA模型，表明纳入GARCH结构后，模型对数据波动特征的刻画更为充分，整体拟合与信息提取能力得到提升。

（四）SARIMA-GARCH模型预测

分别利用SARIMA(0,1,1)(0,1,1)₁₂和SARIMA(0,1,1)(0,1,1)₁₂-GARCH(1,1)两个模型预测2023年10-12月新能源汽车销量，观察表8中的预测结果可以发现，总体上两种模型的预测效果良好，但SARIMA(0,1,1)(0,1,1)₁₂-GARCH(1,1)模型的预测结果更接近实际值，这是因为加入的GARCH模型消除了序列中的异方差效应，对数据的波动情况刻画得更为贴近，减少预测误差，提高了模型的预测精度。

月份	实际值	sarima预测	相对误差（%）	sarima-garch预测	相对误差(%)
10	955884.00	915752.64	-4.20	984854.61	3.03
11	1025901.00	983254.69	-4.16	1072364.31	4.53
12	1191000.00	109025.31	8.46	1304357.41	1.12

图7表明两条线的变动情况基本保持一致，直观地说明了模型预测效果良好。

四、结论

本研究基于新能源汽车销量时间序列，依次执行了平稳化预处理与单整性检验。首先建立季节性自回归整合移动平均（SARIMA）模型，以捕捉并拟合序列中存在的显著季节性变动与长期趋势。为进一步描述销量波动中可能存在的条件异方差特征，并降低由此引发的参数估计偏误，在SARIMA模型残差基础上引入广义自回归条件异方差（GARCH）模型，由此构建SARIMA-GARCH融合预测模型。最后，通过样本外预测实验，系统比较了融合模型与单一SARIMA模型在预测精度与稳健性方面的表现差异。主要研究结论可归纳如下：

（1）新能源汽车销量表现出显著的趋势增长、季节波动及聚类波动特征。相关企业在研判市场长期需求的同时，应重视销售数据的周期性波动与不确定性，从而制定更具弹性的生产计划与库存管理策略。

（2）新能源汽车销量序列具有非平稳、非线性及条件异方差等复杂特征。在构建预测模型时，需系统进行平稳化处理与异方差检验，忽视这些属性将导致模型设定偏误并降低预测可靠性。

（3）融合SARIMA与GARCH的协同建模框架能够同时捕捉销量序列的趋势性、季节性与波动集聚性，在拟合优度与样本外预测方面均表现良好。该模型可为新能源汽车企业在产能规划、供应链协调及市场响应等方面提供量化的决策支持。

参考文献：

1. [1] 柳东威, 张海波, 吴淑霞, 等. 基于时间序列法的2014年乘用车月销量预测[J]. 汽车工程师,2013(12):13-14.
2. [2] 郭顺生, 王磊, 黄琨. 基于时间序列模型预测汽车销量研究[J].机械工程师,2013（05）:8-10.
3. [3] 凌拓. 我国电动汽车市场销量预测研究[D]. 重庆理工大学,2018.
4. [4] 田锐锋. 用季节性交乘模型预测奥迪汽车在华销量[J].统计与管理,2016(08):70-71.
5. [5] 王旭天, 李政远, 舒慧生. 基于SARIMA的我国汽车销量预测分析[J]. 中国市场,2016(01):71-74.
6. [6] 钱名军, 李引珍, 阿茹娜. 基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法[J]. 铁道学报,2020,42(06):25-34.
7. [7] 赵芳卉, 陈琳, 李冬青. 基于SARIMA-GARCH模型的民航客运量研究[J].统计与管理,2021,36(02):17-24.
8. [8] 中华人民共和国中央人民政府. 国务院办公厅关于印发新能源汽车产业发展规划（2021-2035年）的通知[EB/OL]. (2020-11-02)[2025-02-12]. http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm.
9. [9] 刘瑾. 新能源汽车将迎来爆发增长[N].经济日报,2021-12-10(006).
10. [10] Chen D. Chinese automobile demand prediction based on ARIMA model[C]//International Conference on Biomedical Engineering & Informatics.2011.
11. [11] 赵喜仓, 周作杰. 基于SARIMA模型的我国季度GDP时间序列分析与预测[J].统计与决策,2010（22）：3.
12. [12] 李娜, 薛俊强. 基于最优ARIMA模型的我国GDP增长预测[J].统计与决策,2013（09）：4.
13. [13] 张娟. 基于数据挖掘的我国新能源汽车市场分析和销量预测研究[D]. 北京工业大学,2020.
14. [14] 王小璇. 我国新能源汽车保有量影响因素分析及预测方法研究[D]. 华北电力大学（北京）,2021.