中国汽车技术研究中心有限公司汽车技术情报研究所副所长傅连学

“2019中国汽车产业发展(泰达)国际论坛”于2019年8月30日～9月1日在天津滨海新区隆重举行。本届论坛的主题为“全面深化改革开放 发展壮大新动能”。会上中国汽车技术研究中心有限公司汽车技术情报研究所副所长傅连学发表演讲。

内容如下：

各位嘉宾大家上午好，非常高兴有机会在这次会议上跟大家来共同分享我们针对汽车市场，特别是从去年开始做的一些研究工作。一看这个题目都在讲乘用车的市场预测，因为市场预测做了很多，返过头来讲，再提这个没有太多的新意，下面我们预测的一些方法研究，我们感觉和现在其他机构所做的从思路和方法上还是有比较大的差异，希望能在这次会议上与各位分享、探讨。

第一块，为什么我们还在这一块的预测。这几年大家都看到总体市场增也好减也好，实际上大家都有所判断。但是即使在判断准确的情况下，我们再看看车企的销量目标和实际目标完成率的情况，比如说今年半年结束了，有些车企目标只完成20%-30%，可能这都不算新闻了。在判断准确的情况下，企业之间如何设定销量目标，如何针对这部分细分市场是不是有一个准确的判断，我们感觉还有所欠缺。这跟现在车企确定销售目标更多依托总量的市场需求预测，只有准确的需求预测和主观预期的目标，而不是细分市场的预期的情况，这一部分真正做起来，我们感觉还有比较大的偏差。

这部分如果做不好，实际上对于车企，包括如何做排产、销量目标的控制，包括如何做成本的优化、控制，包括库存的管理，都会带来一系列的问题。在真正的市场研究方面，在一块我们还是有比较大的欠缺的。所以从去年开始我们开展了这样一个分车型的销量预测的研究工作。

从整个思路上来讲，现在预测做得比较多的，包括信息中心，包括其他的机构，他们做的总体的预测，我个人认为要是从大的方面来讲是需求性的预测。需求性预测能表现市场宏观经济怎么样、消费者需求怎么样。如果从需求预测的角度来讲，最多做到什么程度呢，大型的SUV多少，中型多少，紧凑型多少，也就差不多了，再对应到各自车型、各自企业是多少，实际上中间有断层。

我们的预测方面，我给它定义为竞争性预测。要考虑做到车型的预测，不仅是宏观需求量有多少，还要考虑到各自产品的竞争关系如何。理下来，要做到竞争性的预测，从大的方面来讲有三个层面：一个是宏观政策方面，这部分是通用的。第二是企业自身的，包括产品的情况，产品生命周期的情况，还有产能包括自身的情况，包括营销策略、营销方案的情况，同时还要考虑到，针对某一个车型，还有竞品群的设定，和竞品的关系怎么样，竞品这块，从产品和营销组合上的对比怎么样，只有把这三个层面理清楚，我们认为才能真正做到分车型的预测，把预测还是真正做到细化的程度。

下面再简单介绍一下需要考虑的整体因素。如果真正做到分车型的预测，3到5年也是可以，但是从宏观上好一些，但是分车型的话我们更注重短期的预测，12个月或一年之内滚动的预测。像通常要考虑的季节性的因素，这肯定都是考虑的因素之一，就不用讲得太多了。

作为宏观的因素还有一个非常重要的，就是政策方面的因素。政策方面的因素，我们会结合近期推出的一些相关政策，对于政策的效果做一个整体的评估。对于哪些车型是增是减，比如说前一阶段的国6，前一阶段大家都在消化国5的库存，实际上也是一种透支的行为，这都是相应的政策因素导致的。政策的变化应该说还是比较多的，我们也会根据每个政策做相应的政策评估，形成整体的政策因素的影响。

自身的因素，这一部分是别的预测方法很少考虑的，包括产品周期的情况、改型的情况，以及产品性能指标的对比。这一部分包括产品力和营销力，我们都会形成相应的评价指数，纳入到整体的模型当中。这一部分的内容是我们评价的方法所需要考虑的内容。

第二块，要提到竞争性，特别要考虑竞品圈的构成，各自车型之间的竞争关系如何。你自身的品种和你的竞品之间，从产品力上，从营销方案上，这部分的整体评价，我们也会形成相应的竞争性的指数，纳入模型当中。这是我们的这种方法比较突出的一个特点。

最后一块，除此之外我们还考虑消费者的行为因素。通过相应的大数据，对于你的车型和其他相关车型的对比指数、市场口碑的状况进行评估，这些都是直接影响消费者是买你的车还是买别人的车。这也要考虑到竞争性的关系，这一部分也是需要我们广泛采集的。这样做下来，需要采集的数量，包括需要处理的数据量非常庞大。

梳理之后，我们提炼出来经济与政策变量，供给变量与需求变量，形成七个方面的指数，对于最后预测的结果会产生比较重大的作用。像经济与政策变量，一个是宏观经济的指数，一个是政策影响的指数。供给变量要考虑到竞品的指数、终端价格指数等。我们把这些纳入到七大指数里面，当然这个指数下一级还会分二级、三级等对应指标，这样就形成整个的预测模型。

如果按照这个思路做下来，需要处理的数据量会大很多特别要结合营销策略方案和产品力的特征指数，都在里面。我们的预测模型引进了长短值的记忆深度学习模型，来做一些比较复杂的序列处理的预测。它最主要的特点，因为这样的模型是一个神经网络的模型，比较适合于规模比较大、数据复杂的处理，通过积淀有一个不断优化的过程。

从预测的结果上来讲，做的一些中长期的预测和其他的差别不大，但是我们和别人最主要的差别就体现在我们能够作出各种主流车型，等于是单一车型的预测结果。我们希望做到这样的预测结果，对于企业今后无论是做营销策划也好，制定目标也好，还是做排产，希望对于企业今后的生产经营决策有所帮助。

目前预测的结果，我们已经有一部分每个月在汽车工业信息网上进行发布，当然没有做多大范围的热炒，我们做出来只是希望给大家提供一些参考。

从整个来看，做完了整体的预测，现在初步的感觉准确度还比较满意，虽然不是最好。对于主流车型，特别是一些销量比较大，产品和营销策略比较稳定的车型，总体的预测基本上都可以控制到8%以下，这不是总量的，而是一款车的。这里8%，对于真正主流的车型，这部分的精准程度还是可以的。这些做下来，确实现在面临着一些问题，对于新成型，还有一些小众车型，比如说新能源这些不太稳定的车型，预测的结果确实偏差还稍微大一点。

后面我简单展示一下，比如说对日产旋翼这个车型的预测，上半年已经结束了，这个车型的预测的变动不大，我们进行了一下对比是4%，这是控制比较好的状态。刚才说的8%，雅阁这款车型。为什么是8%?因为本身是不可预测的因素，有一些招回的因素对销量是有很大影响的，是我们没有估算到的。

对于小众车型，新能源这块，有些预测稍微偏差多了一点，这还需要我们来做改进，像比亚迪的E5，大体的趋势还可以，但是这个车型的误差率达到15%。

最后我简单总结一点，这次我们提出竞争性的预测方法是去年开始做的。我个人感觉，特别是今后越来越面临存量竞争的情况下，对于车企来讲更为重要的应该是考虑到竞争性预测和车型的针对性预测，这对企业来讲会更有参考价值。我们会更多考虑这方面的情况。

如果按照这种预测方式，确实考虑的因素比较多。要真做到车型，必须结合企业的营销方案等等，如果和企业结合，对于这不能的掌握更精准，我们欢迎企业能够共同参与进来，跟我们一起做一些相应的工作。

针对这块的预测，并不是讲我的预测结果，更多的是提出我们这样一种竞争性预测的方法，希望引起行业的共鸣，同时欢迎企业加入到我们的团队中来，大家一同把预测的方式和方法进一步完善。我今天的分享就这些，谢谢大家!