作者简介：付小伟，中南财经政法大学工商管理学院。
摘 要：在从事汽车再制造零部件的生产中，面临着很多不确定性因素，包括回收率、回收量、回收时间、需求水平、回收零部件的质量和组成成分等等，其中对回收量的准确预测是十分重要的一环，因为它关系到整个运作生产计划和预期的利润。arma模型是是一种精度较高的时序短期预测方法，因此我们根据历史数据，运用残差序列相关图、偏相关图的分析，选择并建立arma模型并对模型进行检验，然后对回收量进行较为准确的预测，以利于企业制定生产计划和实现供需的平衡。
关键词：回收量；arma模型；汽车再制造
目前，“循环经济”已作为口号提出来并受到国家的重视，因此国家大力推行汽车零部件的再制造，国家首批试点汽车零部件再制造企业共14家， 武汉东风鸿泰控股集团是武汉惟一获得国家“汽车零件再制造”授权的企业，翻新出来的部件不再使用到新车上，而是作为配件销售给修理厂或4s店，公司的废旧零部件主要是通过神龙公司的4s店系统帮助回收旧件。而旧件的回收是十分关键的，因为它决定着公司生产能否顺利进行，供需能否达到平衡，企业能否实现最大利润等等，因此对回收零部件的预测是十分重要的，而国内对于零部件的回收预测的研究较为缺乏，主要集中于物流网络构建的研究上，因此本文通过建立arma模型对零部件进行回收预测，以期对企业的发展有指导意义。
1 模型识别
首先，我们从国家统计局和武汉统计局售价历史数据，得出汽车平均报废率4.51%，报废汽车的平均回收率为40%。lOCaLhOSt汽车保有量数据为：1996年湖北汽车保有量为37.90万辆，武汉汽车保有量的估计量为15.16，1997年湖北汽车保有量为41.43，武汉汽车保有量的估计量为16.572，1998年湖北汽车保有量为43.22，武汉汽车保有量的估计量为17.288，1999年湖北汽车保有量为46.46，武汉汽车保有量的估计量为18.584，2000年湖北汽车保有量为47.55，武汉汽车保有量的估计量为19.02，2001年湖北汽车保有量为52.33，武汉汽车保有量的估计量为20.932，2002年湖北汽车保有量为62.33，武汉汽车保有量的估计量为24.932， 2003年武汉汽车保有量271391，湖北汽车保有量72.86，2004年武汉汽车保有量334567，湖北汽车保有量77.83，2005武汉年汽车保有量370609，湖北汽车保有量86.24，2006汽车保有量418667，湖北汽车保有量98.74，2007汽车保有量484111，2007年湖北汽车保有量115.46。以上数据构成一个回收量的时间序列
武汉汽车的回收量一直呈上升趋势，近似于指数增长模型。然后对其做一阶差分。
利用eviews做数据的自相关和偏相关得出自相关系数并没有很快地趋于0，即序列是非平稳的。然后对序列做一阶差分，发现自相关系数依然没有很快地趋于0，因此序列依然是非平稳的。对序列做二阶差分发现自相关系数较快地趋于0，因此此时序列是平稳的，但高阶差分也存在着一定的缺陷性，因为它并不能反映原序列的长期特征或季节特征，会丢失信息。因此，我们首先用指数曲线来拟合序列的长期趋势：
拟合的效果非常好，拟合度高达0.963，其中 为残差序列。对残差序列进行自相关和偏相关分析
可看出残差序列为平稳序列，自相关系数和偏相关系数在滞后期一期后都落在95%的置信区间
自相关系数和偏相关系数均有拖尾性，在一期后均落入置信区间，因此p可以取1或2，q也可以取1或2，对序列可建立的模型有arma（1，1），arma（1，2）arma（2，1）arma（2，2）

模型为：
2 模型的参数估计
通过模型识别和确立模型的阶数后，我们进行参数估计
此外，数据分析结果表明，滞后多项式的倒数根都落在了单位圆内，所以过程是平稳的。
由上述结果分析可得，模型的拟合度即 都非常地高，而对于aic和sc的值来说，arma(2,2)模型的值分别为-3.304151，-3.122599，相对于其他模型来说，它的值最大，因此可以认为arma(2,2)模型更加合适，因此我们选择arma(2,2)模型为最终模型。
3 模型的适应性检验
对模型进行参数估计后，对arma（2，2）模型进行适应性检验，即对模型的残差序列进行白噪声检验，即滞后期 时，序列的自相关系数为0，在产生的自相关分析图中，包括对残差序列进行的 检验，即 统计量和相伴概率。对于本文中的arma模型的检验中，自相关系数均为0，均落在了置信水平95%内的区间内，而且拒绝原假设的p值均很大，即不能拒绝序列相互独立的原假设，因此通过检验。
4 回收预测
1997～2006年的回收预测结果
其中，预测精度mape为2.69，表明预测精度相对较高，根据所建立的arma(2,2)可以对武汉汽车再制造业可回收的废旧零部件进行短期预测。
5 结语
本文以武汉再制造企业可能回收的废旧零部件的数量为研究对象，通过搜集历史数据，利用eviews时间序列分析软件对历史数据进行分析，以找出规律，并进行预测。首先，通过建立指数回归模型消除了序列中的长期趋势，然后利用相关理论对残差进行分析，并对模型进行识别和检验，最终选择了arma（2，2）模型对回收量进行预测。对回收量的准确预测有助于企业更好地做出生产和库存决策，以实现最大利润同时承担社会责任，因此企业可以利用所建模型对未来的汽车回收量进行预

[1] [2] 下一页