国产智能手机产量预测方法研究

杨一航

[摘 要]在互联网快速崛起、物联网产业应用逐步改善、通信行业技术转型的今天，人们对手机的要求越来越高，促使手机行业迅猛发展。对于手机公司，只有准确掌握手机行业的更新与变化，手机销售量上升，才能在竞争中获得更大的利益。因此，预测智能手机产量是一个值得考虑的问题。本文从智能手机现今发展的情况入手，查找总结了影响国内智能手机产量的因素，并且在这些因素中选取若干作为指标，通过统计软件，进行国产智能手机产量预测与分析方法研究。

[关键词]智能手机;影响因素;产量预测方法

doi：10.3969/j.issn.1673 - 0194.2020.02.057

[中图分类号]F201;F272.1[文献标识码]A[文章编号]1673-0194（2020）02-0-05

1     绪 论

1.1   研究背景、目的及意义

1.1.1   研究背景

21世纪是科技迅速崛起、蓬勃发展的世纪，随着经济水平提高，越来越多的人们已经可以感受到科技带来的方便，尤其是互联网的发展，让人可以通过互联网沟通交流、学习进步，也可以休息娱乐、舒缓心情。而智能手机的产生将互联网发展推向一个新的高度。智能手机可以通过移动网络实现互联网运行，像一个缩小的可随身携带的电脑，吴海燕在文中说过智能手机具有独立的系统和内存，用户可以根据自己的需求，下载自己需要，比如社交、视频、游戏软件等第三方软件。

根据2018年通信运营业统计公报可以发现，2018年我国手机用户已经达到15.7亿户，移动电话净增1.49亿户，手机用户普及率达112.2部/百人，比2017年提高了10.2部/百人。4G用户数更是处于爆发期，全年新增1.69亿户，总数达到11.7亿户，在移动电话用户中的渗透率达到83.4%。从图1、图2中不难发现，3G/4G用户持续升高，而要使用3G/4G移动数据，需要使用智能手机，因此对每一个想要问鼎手机行业的公司来说，中国市场都是必争之地。

现如今，互联网日益成熟，信息可以快速传递，人们可以及时获取和筛选信息，通过信息处理业务，正因为如此，以前很多不可思议的事情已经变得可行。比如企业收集信息进行销量预测，“销量预测可以调动销售人员的积极性，可以依据预测安排采购、生产和销售计划，提高资金利用效率，在保证一定库存水平的情况下实现最大限度的交付保障”。同样，对于手机行业来说，产量预测也是重中之重，好的预测可以减少公司不必要的损失。当今社会人们对手机的要求大幅提高，不仅要科技感十足，而且希望可以很快买到，因此手机公司必须不断创新研发，并有大量的现货可供购买，为此手机企业需要储存大量存货。然而并不是所有的手机都可以卖得火爆，手机卖不出去又有大量库存，公司亏损;没有资金支持，公司创新和研发受阻，便会逐渐跟不上手机行业的脚步。产量预测可以很好地控制存货，使手机企业制造手机在一个可控范围内，尽可能地解决手机企业存货问题。

1.1.2   研究的目的和意义

近年来，手机厂商之间竞争愈发激烈，怎么样合理地产出已经成为手机企业的核心问题。本文分析国内手机企业的状况，了解国内手机行业需要解决的问题，然后研究与手机产量相关的因素，并从中选取较为重要的因素分析和预测，采取主成分分析模型对手机产量进行分析，得出手机产量预测模型，给手机公司产量预测提供一定参考，并给公司决策者提供一定的信息，有助于决策者制定一系列政策方针。

1.2   研究的內容和方法

1.2.1   研究内容

本文依照应用统计学中的数据预测模型，在事物发展相关信息不完全或者不够充分的情况下，“如何选择相关的一些影响因素，利用现有的一定理事时期的观测数据对事物未来某一时期的发展进行模拟和预测”。本文通过国内手机产量的趋势变化，利用主成分分析实现国内智能手机的产量预测。本文的主要构造和探索内容如下：第一章是绪论，主要讲国内智能手机产量预测的背景、目的和意义及其研究的内容和方法;第二章是统计预测模型的概念，介绍了主成分分析模型的核心概念和基本理论;第三章是手机产量预测方法分析，主要选取与手机产量有关的主要因素，说明选取这些因素的原因，然后查找影响手机产量因素的数据，并通过统计预测模型介绍实际分析方法;第四章是结论，主要总结本文的研究成果。

1.2.2   研究方法

本文的研究方法是通过理论与实际相结合的方法，了解主成分分析的基本理论，然后查找影响手机产量的因素，通过实际生活中的数据，利用主成分分析企业未来手机产量走势，给出一定参考和建议。

2     数据预测方法基础概念

本节主要介绍主成分分析模型的基本理论。主成分分析（Principal Component Analysis）是“利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠”。

2.1   主成分分析数学相关模型

假设用p个变量来描述研究对象，分别用X1，X2，…，Xp来表示，这p个变量构成的p维随机向量为X=（X1，X2，…，Xp）t。设随机向量X的均值为μ，协方差矩阵为Σ。假设X是以n个标量随机变量组成的列向量，并且μk是其第k个元素的期望值，μk=E（xk），协方差矩阵然后被定义如下。

对X进行线性变化，考虑原始变量的线性组合。

2.2   主成分分析的步骤

①为了防止数据大小单位不同给企业带来的影响，笔者对数据进行标准化;②笔者要说明这个数据进行主成分分析是必须的，即要做一个变量间的相关系数矩阵R，公式为：;③笔者根据矩阵R计算累计贡献率，进而明确主成分个数，即先通过|λE-R|=0，求出特征值λi（i=1，2，…，p），然后求出主成分Zi的贡献率，最后通过公式求出累计贡献率，确定主成分个数;④通过相关系数R（Zi，Xi），即因子载荷量，对主成分进行解释，并得出综合指标。

3     手机产量预测分析

3.1   指标设定

本文讨论的是智能手机的产量预测，智能手机是现如今发展比较成熟的案例，下章的实证分析中笔者也将选取手机产量作为分析基础。在宏观因素方面，笔者选取人口增长率、专本科招生数、就业人数、网民规模。人口的增长，使手机容量也随着增长，继而手机产生的需求也跟着增长，与手机的整体需求和产量息息相关。高考结束，学生上大学大部分都不在家，因此需要购买手机，手机销量随之增大，产量也将会增大，对手机产量也是一个较为关键的影响因素。个人就业是人们获得收入的主要渠道，近几年人们的收入逐渐增加，对手机的要求也随之增加，就业人数也影响手机产量变化。互联网是现在人们生活不可或缺的一部分，智能手机让人们使用互联网变得方便，因此网民数量增加也能够实现手机销量增加。从基础设施建设方面，笔者选取光缆线路长度、电信固定资产投资两个因素。光缆线路铺设为数据传输奠定基础，提升带宽的传输速度，促进手机畅销。在其他方面，笔者选取了电信业务总量因素。电信业务不仅涵盖短彩信、通话，还包括移动网络流量，并且移动网络流量是电信业务收入增加的重要组成部分。

3.2   参数设定

笔者将选取的自变量和因变量设置如表1所示。数据主要来源于2018年国家统计年鉴和中华人民共和国工业和信息化部工信数据中的通信运营业统计公报。笔者要进行国产智能手机产量预测，因为自变量中含有宏观因素，而宏观因素大多以年为单位，所以笔者以年为单位，选择了2010-2018年的数据进行分析。

3.3   主成分分析

首先，我们对数据进行相关分析，分析自变量间的相关关系，去除相关性较弱的自变量，对该数据进行因子分析，得出各个成分的贡献率，观察累积贡献率，得出主成分，如果因子在各个变量中的载荷较大，并且只有一个，这样子会给其他各变量解释带来困难，为了更好地解释几个变量内部的成分，可以对这几个变量进行因子旋转，对每一个特征根的大小及相应贡献率进行重新分配。

3.3.1   自变量之间相关性

由表2和表3可知，手机产量与专本科招生数、就业人数、网民规模、电信业务总量、全国光缆线路长度、电信固定资产投资存在关联;专本科招生数与就业人数、网民规模存在关联;网民规模与就业人数、电信固定资产投资相关;全国光缆线路长度与电信固定资产投资存在关联。从相关系数表可以看出，人口增长率与电信业务总量和其他各变量之间的相关性不强，所以提出这两个变量，将专本科招生数、就业人数、网民规模、全国光缆线路长度、电信固定资产投资这几个变量进行主成分分析。

3.3.2   主成分分析

从表4可知，主成分包含了其他各指标至少90%的信息。

由表5可看出，前1个因子对应的特征根大于1，提取前1个因子的累计方差贡献率达到94.126%，超过80%。因此前1个主成分基本可以反映全部指标的信息，可以代替原来的5个指标（专本科招生数、就业人数、网民规模、全国光缆线路长度、电信固定资产投资），且第一个因子在许多变量上都有较大的载荷，因此认为第一个因子是较全面反映各个变量的综合指标。但是，第一个因子在各个变量中的载荷较大，并且只有一个，这样子会给各变量内的解释带来困难，为了更好地解释几个变量内部的成分，笔者对这几个变量进行因子旋转，并抽取3个成分因子。

表6主要是旋转前后各因子特征根的变化情况，从这个表可以看出抽取后的因子数量和总的方差贡献率在旋转前后没有发生变化，但对每一个特征根的大小及相应贡献率进行了重新分配。

表7是旋转后载荷矩阵，可以看出3个因子的载荷系数已经出现分化，且因子1在许多项上都有较大载荷，因此因子1是较全面反映了各变量的综合指标，因子2在电信固定资产投资上载荷较大，因此因子2反映的是资产投入指标，因子3在全国光缆线路长度上载荷较大，则因子3反映的是物理设施投入指标。

表8是旋转后因子得分系数，可以计算各因子的得分。

f1=1.341X2+0.126X3+1.140X4-1.244X6-0.776X7（3）

f2=-0.058X2-0.45X3-0.339X4-0.28X6+1.803X7（4）

f3=-1.190X2+0.705X3-0.653X4+2.202X6-0.536X7（5）

据此可以对主成分进行回归分析，得到主成分回归方程，将该主成分所表示的信息回归到原有的影响因子上，即该回归方程还是用X变量表示，利用已知的自变量的值，可以对智能手机进行预测。但是在此环境下，需要通过已知的条件对自变量进行预测，再带入回归方程进行智能手机销量预测。

4     结 语

中国的手机行业蓬勃发展，各个手机厂商摩拳擦掌，不断创新，不断研发，手机企业竞争愈发激烈。智能手机问世以来，在竞争激烈的环境下，手机企业未来一定会有更大的变化，机遇与挑战并存，手机厂商如何发展才能更加强大，是每个手机厂商都要面对的问题。本文针对手机业的产量问题进行手机产量预测方法研究。但本文的分析也存在一定问题，首先本文的影响因素不多，一部分相关因素因为公司保密，很难查到信息;其次主成分分析需要知道预测的自变量的值，所以在本文中没有继续对该模型进行结果预测。产量预测在智能手机行业仍在研究发展中，但带来的影响非常大，相信在今后智能手机市场上，产量预测会成为每个公司必须进行的一部分。

主要参考文献

[1]吴海燕，陈英毅，冯岩岩.基于消费者行为的智能手机营销策略探究[J].中国管理信息化，2014（19）.

[2]中华人民共和国工业和信息化部.2018年通信运营业统计公报[R].2016.

[3]何煜.针对通信终端产品的销售预测系统分析与设计[D].广州：华南理工大学，2010.

[4]华晶晶.智能手机的统计预测方法[D].重庆：重庆大学，2014.

[5]邓聚龙.灰色系统理论教程[M].武汉：华中理工大学出版社，1990.

[6]陈远，王菲菲.基于时间序列的电子商务市场预测系统研发[J].情报科学，2009（12）.

[7]邓爱萍，肖奔.基于时间序列的市场需求预测模型研究[J].科学技术与工程，2009（23）.

[8]郑思平，肖人岳.基于灰色模型与灰色关联度对品牌手机未来销量预测[J].科学技术与工程，2009（20）.

[9]陳红周，刘碧玉，李学全.基于品牌手机未来销量预测[J].数学理论与应用，2009（3）.