10.16638/jki.1671-7988.2021.09.065
基于大数据的“一带一路”汽车出口量
GM模型研究
李普超,王瑶,王冕
(中汽数据有限公司,天津300300)
摘要:针对我国汽车出口市场分析中原始数据分类模糊的问题,文章构建了一种基于大数据分析的定量化出口量测算灰度模型(GM模型)。鉴于“一带一路”沿线国家在我国外贸市场中的重要地位及其油品运输行业的蓬勃发展,文章选取2016-2019年我国对东南亚典型国家油罐车出口数据,综合考虑海关编码差异、数据权重等因素,构建油罐车出口量测算模型。并在此基础上,结合政治、经济、行业、民生等因素对2020年我国对东南亚典型国家油罐车出口量进行预测,文章提出的测算方法可以为类似条件下的油罐车出口量评估工作提供参考。
关键词:汽车市场;出口量;大数据分析;灰度模型
中图分类号:F752.65 文献标识码:A 文章编号:1671-7988(2021)09-213-04
Research on the GM Model of Automobile Export Volume in the “Belt and
Road” Based on Big Data
Li Puchao, Wang Yao, Wang Mian
(Automotive Data of China Co., Ltd., Automotive Data Center, Tianjin 300300)
Abstract:Aiming at the problem of fuzzy classification of original data in the analysis of China's automobile export market, a grey model of quantitative export measurement based on big data analysis is constructed. In view of the important position of the countries along the “Belt and Road”in China's foreign trade market and the booming development of the oil transportation industry, this article selects China's oil tanker export data to typical Southeast Asian countries from 2016 to 2019, taking into account differences in customs codes and data weights And other factors, construct a model for calculating the export volume of tank trucks. And on this basis, combined with political, economic, industry, people’s livelihood and other factors to predict China’s oil tanker export volume to typical Southeast Asian countries in 2020. The calculation method proposed in this paper can provide a reference for the evaluation of the export volume of oil tankers under similar conditions.
Keywords: Automobile market; Export volume; Big data analysis; Grey model
CLC NO.: F752.65 Document Code: A Article ID: 1671-7988(2021)09-213-04
1 研究背景
我国作为全球最大的汽车生产国,近年来汽车市场业务低迷,产能过剩的情况不断出现,企业纷纷寻求新的突破。与此同时,在“一带一路”倡议下,中国的国际贸易稳步增长,与“一带一路”沿线国家在政策沟通、基础设施建设、金融、人员往来等方面取得诸多重要成果,双边合作不断走
作者简介:李普超,就职于中汽数据有限公司。
213
汽车实用技术
214 深走实,合作领域不断拓展。2019年我国对“一带一路”沿线国家进出口额达9.27亿元,同比增速高于出口额整体增速7.4个百分点。
从行业角度而言,“一带一路”沿线国家是汽车行业增长最快的地区之一,汽车需求不断增长,但制造业发展相对落后,导致市场存在较大的供给缺口,为了维系市场供需平衡,汽车贸易展现出了很强的依赖性,尤其是运输设备等商用车。此外《中国-东盟自贸协定》等也为“一带一路”沿线国家与我国的双边贸易提供了政策优势,因此具有汽车进口强依赖性、潜在市场上升空间大且具备双边优惠政策的“一带一路”沿线国家给中国车企出口、投资带来了机遇。
近年来,随着世界经济的发展,石油需求及基础设施建设不断增加,油品运输行业发展旺盛。数据显示,2019年世界石油需求总计为100.8百万桶/天[1],原油产地、炼油厂、加油站之间油品运输各个环节均会催生大量的油品运输车需求,此外,《全球基础设施建设展望》[2]显示,2016-2040年全球基础设施投资需求将增至94万亿美元,基础设施投资占GDP 的比重的增加必将拉动工程机械市场的发展,进而带动油品运输车细分领域加油车市场的发展。未来随着工业化水平、人均收入水平、城市化水平的不断提高,工业“血脉”石油的需求将不断增加,油品运输车市场发展潜力较大。因此了解我国油罐车出口体量及价格对我国企业出口布局及投资至关重要。结合上述分析,本文以东南亚典型国家(以下简称国家A )汽车市场细分领域—油罐车市场为例,对我国汽车出口情况进行分析。由于原始数据存在分类模糊的情况,直接对数据进行分析会影响企业的判断,因此,本文通过构建灰度模型,对原始数据进行清洗,并在此基础上对我国油罐车出口市场进行预测[3]。
2 模型构建与测算过程[4-12]
本文数据来源于中汽数据-全球贸易流向数据,包含12457条原始数据,其中每条数据对应1辆车的商品名称、车辆类型、出口价格、成交方式等信息,该组数据包括42个海关编码,涵盖2477个车型,涉及247个生产企业、665个出口企业。
一般而言,油罐车包含加油车和运油车,我们发现商品名称为“加油车”“运油车”“油罐车”“油车”等明确表明是油罐车的数据对应的海关编码下,存在商品名称为“其他柴油货车,车总重>20”“未列名特殊用途的机动车辆”等模糊的数据,这些数据的存在使得直接采用精确数据进行分析的出口量偏低,因此为了准确判断我国出口情况,需要对其中可能存在的油罐车的数量进行测算。 2.1 出口量模型构建与测算
2.1.1 模型构建
灰度模型预测法是一种对含有不确定因素的系统的预测
方法。系统中部分特征未知,灰度模型通过判断系统内部变量间发展规律,进行相应的关联分析,进而生成规律性更强的新数列,并通过新数列来预测数列未来发展趋势。
本文针对原始数据分类模糊的情况,首先根据商品名称对数据进行分类规整,分为精确填写与模糊填写两类。分类标准为:将根据商品名称仅能区分车型(重卡、中卡、轻卡、微卡)、燃油方式(柴油、汽油)等与海关编码定义接近的数据划分为模糊填写,此外,鉴于自卸车在数据中占比较高,划分为模糊
填写会使得油罐车出口量测算结果过高,将其划分为精确填写,油罐车、水罐车、粉罐车、牵引车、垃圾车、搅拌车、水泥车等明确表明用途的数据划分为精确填写。并在上述分类基础上,做出如下两点假设:
H 1:模糊填写的商品中油罐车占比与精确填写的商品中油罐车占比相同。
H 2:商品名称明确表明是油罐车的数据涵盖油罐车全部可能的海关编码。
表1  模糊填写与精确填写界定
不同海关编码下,数据构成可能存在较大差别,且在个别年份存在无精确填写油罐车的情况,此外占比过小数据量少会影响测算准确性,因此本文仅对精确填写油罐车的数据中数量占比大于一定比例的海关编码进行分类测算。基于上述分析,构建如下油罐车出口量/额y t 测算模型:
(1)
其中,i (i =1,…,m )代表不同的海关编码,t (t =1,…,k )代表不同的年份,M 代表油罐车涉及的海关编码下数据总量,N 代表其中精确填写商品名称的数据总量,x 代表精确填写油罐车的数据总量,p 0为单一海关编码数据量占比下限。运用上述模型测算油罐车出口量的流程如图1所示。
图1  测算流程图
李普超 等:基于大数据的“一带一路”汽车出口量GM 模型研究
215
2.1.2 出口量测算
根据上述流程图,首先,区分出占比较高的海关编码。2016-2019年我国对国家A 的出口数据中,商品名称精确填写为油罐车的数据包括5个海关编码,其中,无论数量上还是金额上,海关编码为“87042300”“87059099”的数据量占比均高于10%,占明确表明为油罐车的数据的比重较高。
然后,对占比较高的海关编码下油罐车数量进行分类测算。海关编码“87042300”代表“其他柴油货车,车总重>20t ”,部分数据难以确定具体细分市场,在此运用上述模型进行测算,数量及金额测算过程如表2、表3所示;海关编码“87059099”代表“未列名特殊用途的机动车辆”,商品名称较为精确,测算结果与原数据相差不大,在此应用原数据,不进行测算,原数据如表4所示。
最后,对油罐车总量进行汇总。对精确填写油罐车数据中,海关编码为“87042300”“87059099”的数据量占全部精确填写油罐车的比重求年份平均,并将其作为测算海关编码“87042300”“87059099”下油罐车占油罐车总量的百分比,由此,将上述两个编码的数量占比设为0.87,金额占比设为0.94。将上述测算数据进行加总,并结合占比情况,对各年份油罐车出口量及出口金额测算结果如下:
图2  中国对国家A 油罐车出口量占比(左)
及出口额占比(右)
表2  编码1下油罐车数量测算    单位:辆
表3  编码1下油罐车金额测算    单位:美元
表4  编码2下油罐车数量(单位:辆)及金额  单位:美元
表5  油罐车总量测算        单位:辆
表6  油罐车总金额测算        单位:美元
图3  中国对国家A 测算出口量(左)及
测算出口额(右)变化趋势
根据测算结果,2016-2019年间,我国出口国家A 油罐车数量在120-180辆之间波动,金额介于500万-640万美元之间。
2.2 出口价格分析
为了更加全面地认识我国油罐车出口市场现状,本文基于现有数据对出口价格进行简要分析。数据显示,出口企业成交方式主要有FOB 、CFR 、CIF 三种,为了全面考虑有效市场信息,采用如下方法将CFR 、CIF 价格换算为FOB 价格:
FOB=CFR-Price=CIF*(1-r*i )-Price              (2) 其中,Price 代表运输费,r 代表保险加成率,i 代表保险费率。
不同车型的车价格会存在较大不同,因此分微型卡车、轻型卡车、中型卡车、重型卡车四类车型对油罐车出口价格变化趋势进行分类讨论。
以青岛港为例,采用40HC 集装箱出口到国家A 的运费为365美元左右,保险加成率及保险费率设为10%和0.15%,基于上述换算公式对原始数据进行处理,在此基础上对出口价格进行统计分析,结果表明在不考虑极端值影响的情况下,2016年至2019年重型油罐车的平均价格在3.6-4.6万美元之间波动,中型油罐车的平均价格在1.4-2.1万美元之间波动,轻型油罐车平均价格在1.4-1.7万美元之间波动,微型油罐车
成交价均低于1万美元。综合而言,油罐车出口价格整体变化幅度不大,车重越大价格波动区间越大,或说明车重越大,厂商议价空间越大,定价权越高。
3 结论
根据前文基于灰度模型的总量测算,得到2016-2019年
汽车实用技术
216 我国对国家A 的油罐车出口量年均复合增速为-3.9%,综合考虑国家A 政治、经济、行业、民生等因素,将2020年该国油罐车出口量增速适当向下调整为-10%,预计2020年我国对国家A 油罐车出口量为130辆左右。
然而由于跨国政策不统一、工程机械及压力容器设计标准不统一等问题,中国油罐车出口市场依然存在诸多的风险与挑战,企业出口及投资时仍应综合考虑各方因素。
参考文献
[1] 李欣欣.石油专用车市场分析及进入策略研究[D].西安:长安大学,
2013.
[2] 《全球基础设施建设展望》报告.Global Infrastructure Hub.Global
Infrastructure Outlook-Infrastructure investment Needs:50 Countri -es,7 Sectors to 2040[R].Global:GIH,2017.
[3] 欧鹏飞,冯乾隆.中国汽车市场预测及细分领域市场案例分析[J].
汽车实用技术,2019(23):239-244.
[4] 汪珊珊,李琳珊,程翊,孟莹哲.产品销售预测的数学模型及应用[J].
时代金融,2013(27):312-314.
[5] Xinping Xiao and Huiming Duan and Jianghui Wen. A novel car-
following inertia gray model and its application in forecasting short- term traffic flow[J].Applied Mathematical Modelling,2020,87: 546- 570.
[6] Cao S Q, Zhu Y W. Research on Prediction Model of Car Sales
Based on Grey Neural Network[J]. Advanced Materials Research, 2014,889-890:1569-1573.
[7] 蒋华涛,常琳,娄玉强,李庆,陈大鹏.基于灰神经网络的车辆跟驰
模型研究[J].微电子学与计算机,2018,35(02):122-127+132. [8] Yan J, Liu Y , Li Z. Present situation of hazardous waste generation
in China and grey model prediction[J]. IOP Conference Series Earth and Environmental ence, 2020, 467:012179.
[9] Hai-Tao S U, Shi-Yuan Y , Hua D, et al. Dynamic grey model of
verification cycle and lifecycle of measuring instrument and its application[J].中南大学学报(英文版), 2005, 12(0z2):86-89. [10] Kung C Y , Chang C P. Application of Grey Prediction Model on
China Automobile Industry[J].Journal of Grey System,2004,16(2): 147-154.
[11] Jiamei Nie, Xiaoliang Zhang, Long Chen. Application of multi-
variable grey model in the integrated control of vehicle SAS and EPS[C]// International Conference on Electric Information & Con -trol Engineering. IEEE, 2011.
[12] A W X, B W Z W, C C L, et al. Forecasting annual electricity consu
-mption in China by employing a conformable fractional grey model in opposite direction[J]. Energy,2020,202.汽车贸易