ویژگی های تکامل مکانی و زمانی و عوامل موثر بر بازار خودرو چین از زمان پیوستن به WTO

از زمان پیوستن به WTO، بازار خودرو چین روند توسعه سریعی را نشان داده است و بازار خودرو برای بهبود اقتصادی و توسعه با کیفیت چین اهمیت بیشتری پیدا می‌کند. صنعت خودروسازی یکی از صنایع ستونی چین است، اما از سال 2018 با فشار نزولی مواجه است. این مقاله ویژگی‌های تکامل مکانی و زمانی و عوامل تأثیرگذار بر بازار خودرو از زمان الحاق به WTO را با استفاده از روش‌هایی از جمله ESDA، تحلیل خوشه‌ای DTW و مدل پانل فضایی دوبین مورد مطالعه قرار می‌دهد. نتیجه نشان می دهد که: 1) فروش خودرو چین به سرعت رشد کرده است و سه مرحله توسعه از زمان الحاق به WTO رخ داده است. 2) چهار نوع از بازارهای خودروی چین دارای تمایز فضایی قابل توجهی هستند، در حالی که همان الگوی ویژگی های تجمع فضایی را نشان می دهد. 3) از دلایل مهم جداسازی فضایی تولید و فروش در بازار خودرو چین می‌توان به اعمال محدودیت‌های خرید در شهرها، تجمیع تدریجی الگوی فضایی تولید خودرو و دور بودن برخی از مناطق تولید خودرو از بازار مصرف اشاره کرد. ; 4) مراکز میانگین وزنی فضایی استانی فروش خودرو عمدتاً در جنوب شرقی هنان توزیع شده اند و روند حرکت به سمت جنوب غربی را نشان می دهند. 5) ضرایب تخمینی عواملی مانند تولید ناخالص داخلی، ارزش افزوده مالی، نسبت بزرگراه، حجم حمل بار بزرگراهی و اجرای سیاست های تشویقی مصرف خودرو، همگی به طور معناداری مثبت بوده و برخی از عوامل دارای اثرات سرریز فضایی مثبت هستند. تحقیقات موجود در مورد بازار خودرو فاقد تجزیه و تحلیل مبتنی بر داده های سری طولانی مدت است. این مطالعه از داده‌های سری طولانی‌مدت برای ارائه مرجع خاصی برای تحقیقات آینده در جهت‌های مرتبط استفاده می‌کند.

کلید واژه ها

بازار خودرو ، تکامل فضایی ، تفکیک فضایی تولید و فروش ، تحلیل خوشه‌ای DTW ، اثر سرریز فضایی

1. مقدمه

از زمان پیوستن به WTO در سال 2001، شرکت‌های خودروسازی فراملیتی مانند هیوندای، نیسان، بی‌ام‌و، مزدا، مرسدس بنز، تویوتا و غیره یکی پس از دیگری وارد بازار چین شده‌اند و به طور مستمر سرمایه‌گذاری را افزایش داده‌اند [ 1 ] که منجر به افزایش روند بازار خودرو چین از سال 2009 به مدت 11 سال متوالی به بزرگترین بازار خودرو در جهان تبدیل شده است. در سال 2017، صنعت خودروسازی به صنعت ستونی با دومین مقیاس درآمد و بزرگترین مقیاس سود در تجارت اصلی چین تبدیل شد. با این حال، کاهش مداوم بازار خودرو در سال‌های 2018 و 2019، همراه با تأثیر پایدار همه‌گیری COVID-19 [ 2 ]]، بازار خودرو چین با فشار نزولی بیشتری مواجه است. تأثیر بلندمدت سیاست‌های کلان اقتصادی «تفکیک فضای تولید و بازاریابی» را به یکی از ویژگی‌های مهم بازار خودروی چین تبدیل می‌کند [ 3 ]]. از یک طرف، عرضه خودرو در شهرهای بزرگ تولید و بازاریابی خودرو مانند شانگهای، پکن و تیانجین در حال افزایش است، اما به دلیل محدودیت مجوز محدود، فروش به طور قابل توجهی کاهش یافته است. اگرچه تراکم تولید خودرو به بهبود کارایی سازمان فضایی صنعت خودرو کمک می کند، اما مقیاس تولید خودرو در استان های مرکزی و غربی و شهرهایی که پتانسیل رشد بازار بیشتری دارند بسیار ناچیز است و افزایش اختلاف فضا در تولید خودرو و فروش هزینه حمل و نقل خودرو را افزایش می دهد.

از سوی دیگر، رشد سریع بازار خودرو طی سالیان متمادی با تفاوت های منطقه ای قابل توجهی در مصرف خودرو بین استان ها نیز همراه بوده است. مصرف خودرو در منطقه شرق به سمت ارتقای جایگزین و خودروهای انرژی جدید تغییر کرده است، در حالی که بیشتر مناطق غرب همچنان برای اولین بار مصرف می شود و محصولات خودروهای سنتی بیشتری با کیفیت بالا و قیمت پایین مورد نیاز است. علاوه بر این، توسعه سریع دراز مدت منجر به رشد سریع مالکیت خودرو در چین و یک سری مشکلات اجتماعی خودرو شده است [ 4 ]]، در عین حال محدودیت های طولانی مدت صدور مجوز و خرید اعمال شده توسط برخی استان ها و شهرستان ها بر مصرف خودرو اثر بازدارنده دارد، توسعه رونق تجارت الکترونیک، خودرو سواری آنلاین و … باعث تقاضای جدید برای خودرو شده است. مصرف [ 5 ]. بنابراین، بررسی ویژگی‌های مکانی-زمانی و عوامل مؤثر بر بازار خودرو از بدو ورود چین به سازمان تجارت جهانی و ارائه «برنامه پنج ساله چهاردهم ^» و دوره زمانی آینده برای بهینه‌سازی طرح فضایی تولید و بازاریابی خودرو و ارتقای سلامت و سلامت توسعه پایدار بازار خودرو، نقش مهمی در بهبود اقتصادی چین و توسعه با کیفیت بالا تحت پیشگیری و کنترل منظم همه گیر ایفا می کند.

تحقیقات محققان غربی در مورد بازار خودرو عمدتاً بر عوامل تأثیرگذار، پیش‌بینی فروش و سایر زمینه‌ها متمرکز است. در تحقیق عوامل تأثیرگذار، تنها چند عامل از مراحل اولیه، به عنوان مثال، سطح درآمد و قیمت خودرو به عنوان متغیرهای توضیحی مورد استفاده قرار گرفت [ 6 ]، عوامل بیشتر و بیشتری در تحلیل فروش خودرو توسط محققان معرفی شدند، مانند به عنوان مالکیت خودرو [ 7 ] و هزینه مصرف خودرو [ 8 ]، نرخ بهره و سیاست پرداخت اقساط بانکی [ 9 ]، تعداد دارندگان گواهینامه رانندگی خانوادگی [ 10 ]، کیفیت محصولات خودرو و انتظارات خریداران [ 11 ]، به اشتراک گذاری خودرو [ 12تحقیقات مختلفی وجود دارد که بر پیش‌بینی فروش خودرو و استفاده از روش‌های اندازه‌گیری جدید و بهبود دقت اندازه‌گیری تمرکز دارند، مانند روش‌های سری زمانی [ 13 ]، روش‌های تشخیص روابط ساختاری [ 14 ]، تحلیل و پیش‌بینی مبتنی بر در داده های خزنده وب [ 15 ] و داده های بزرگ [ 16 ]، پیش بینی بر اساس الگوریتم های هوش مصنوعی [ 17 ] [ 18 ].

محققان چینی بیشتر از دانشمندان خارجی برای مرجع در روش های تحقیق بازار خودرو چین استفاده می کنند. اهداف تحقیق عمدتاً عوامل تأثیرگذار، پیش‌بینی فروش و تحول مکانی و زمانی بازار خودرو در سطح ملی و بین استانی است. به طور خاص: اولاً تجزیه و تحلیل عوامل مؤثر بر فروش خودرو، انتخاب سطح توسعه اقتصادی [ 19 ]، سطح درآمد [ 20 ]، قیمت خودرو [ 21 ]، قیمت نفت بین‌المللی [ 22 ]، شرایط واردات و صادرات [ 23 ] و عوامل دیگر. برای انجام تحقیقات در مورد فروش خودرو. ثانیا، ادبیات تحقیق در مورد پیش بینی تقاضای خودرو بسیار غنی است. روش های مورد استفاده عمدتاً شامل روش های سری زمانی [24 ، مدل‌های پیش‌بینی خاکستری [ 25 ]، فرآیند تحلیل سلسله مراتبی [ 26 ] و غیره، و محققان از داده‌های جستجوی شبکه [ 27 ] شاخص Baidu [ 28 ] و سایر داده‌های آماری غیرمتعارف برای پیش‌بینی فروش خودرو استفاده می‌کنند. ثالثاً، به ویژه قابل توجه است که پژوهشگران چینی و سایر کشورها در مورد توزیع فضایی فروش خودرو تحقیق زیادی انجام نداده اند. مطالعات موجود بر روی الگوی فضایی بازار خودرو و ویژگی‌های اجتماعی-اقتصادی آن [ 29 ]، ترجیح برند و الگوی فضایی آن [ 30 ]، تفکیک فضای تولید و فروش [ 30 ] متمرکز شده‌اند.] و غیره با اجرای طرح کمربند و جاده، برخی از محققان از مدل های داده های تابلویی برای تحلیل تجربی تغییرات مکانی-زمانی بازار خودروهای کمربند و جاده استفاده کرده اند [ 31 ]. به طور کلی، چشم اندازها و اهداف بازار و فروش خودرو نسبتاً واحد هستند. تجزیه و تحلیل تأثیر بازار خودرو و توزیع فضایی عمدتاً مبتنی بر داده های کوتاه مدت است، به ویژه فقدان داده های سری طولانی مدت برای مطالعه وضعیت کلی و روند توزیع فضایی بازار خودرو از زمان ورود چین به WTO.

چین تنها هفت سال پس از پیوستن به WTO به بزرگترین بازار خودروی جهان تبدیل شد و همچنان جایگاه اول را حفظ کرده است. با توجه به وضعیت فعلی که هنوز تحقیقات کمی در مورد داده های سری زمانی طولانی بازار خودرو استانی چین وجود دارد، این مقاله به طور سیستماتیک ویژگی های تکامل مکانی-زمانی بازار خودرو استانی چین را بر اساس داده های سری طولانی مدت چین از سال 2002 تا 2019 تجزیه و تحلیل می کند. با استفاده از خوشه بندی DTW، ESDA و روش های دیگر، روندهای فضایی تولید و فروش خودرو استانی را بررسی می کند. در نهایت، مدل دوربین فضایی برای تجزیه و تحلیل تجربی عوامل تأثیرگذار و اثرات سرریز فضایی بازار خودرو استانی چین استفاده می‌شود، که منابعی را برای تدوین یک سیاست علمی‌تر صنعتی خودرو در چین فراهم می‌کند.

2. منابع داده و روش تحقیق

2.1. تعریف اهداف تحقیق و منابع داده

هدف تحقیق این مقاله، روند مکانی-زمانی بازار خودرو در 31 استان و منطقه خودمختار چین (به استثنای هنگ کنگ، ماکائو و تایوان) است که از تعداد خودروهای مدنی جدید ثبت‌شده در سطح استان برای نمایش فروش خودرو استفاده می‌کند. شامل خودروهای شخصی، خودروهای سواری متوسط و بزرگ و انواع کامیون های مدنی است، بنابراین، می تواند وضعیت کلی و روند توسعه بازار خودرو را از زمان پیوستن چین به WTO به طور جامع تری منعکس کند. فروش خودرو، تولید و سایر داده های آماری مرتبط عمدتاً از سالنامه آماری چین مشتق شده است. محدوده زمانی داده‌های فروش خودرو و داده‌های آماری مورد استفاده در مدل داده‌های پانل فضایی از سال 2002 تا 2019 است.

2.2. روش های پژوهش

بر اساس داده‌های سری طولانی‌مدت چین از سال 2002 تا 2019، این مقاله به طور سیستماتیک ویژگی‌های تکامل مکانی-زمانی بازار خودرو استانی چین را با استفاده از تجزیه و تحلیل داده‌های مکانی اکتشافی (ESDA) و روش خوشه‌بندی سری‌های زمانی DTW برای بررسی روندهای مکانی تولید خودرو استانی و حراجی. همچنین ما از مدل دوبین پانل فضایی برای تحلیل تجربی عوامل تأثیرگذار و اثرات سرریز فضایی بازار خودرو استانی چین استفاده می‌کنیم. نمودار جریان فناوری تحقیق در شکل 1 نشان داده شده است .

2.2.1. تجزیه و تحلیل داده های مکانی اکتشافی

تجزیه و تحلیل داده های فضایی اکتشافی (ESDA) عمدتاً برای مطالعه تحلیل فضایی الگوی توزیع، ارتباط فضایی و ویژگی های توزیع استفاده می شود [ 32 ]. این مقاله از شاخص خودهمبستگی فضایی جهانی برای تجزیه و تحلیل همبستگی فضایی جهانی فروش خودرو استانی چین و داده های آماری مرتبط استفاده می کند. علاوه بر این، با تحلیل میانگین وزنی مراکز تولید و فروش خودروهای بین استانی، ویژگی‌های تغییر مرکز فضایی تولید و بازاریابی خودروهای بین استانی تحلیل می‌شود. فرمول محاسبه مختصات مرکز میانگین وزنی مکانی عوامل به شرح زیر است:

$X_{ω} = \frac{\sum_{i = 1}^{n} ω_{i} x_{i}}{\sum_{i = 1}^{n} ω_{i}}, Y_{ω} = \frac{\sum_{i = 1}^{n} ω_{i} y_{i}}{\sum_{i = 1}^{n} ω_{i}}$ (1)

در فرمول (1) $x_{i}$ و $y_{i}$ نشان دهنده ابسیسا و ترتیب فاکتورها (با استفاده از مختصات شهرهای پایتخت استان ها و شهرستان ها)، $ω_{i}$ نشان دهنده مقدار وزنی عوامل و $X_{ω}$ و $Y_{ω}$ نشان دهنده آبسیسا و

شکل 1 . نمودار جریان فناوری

دستور مرکز میانگین توزیع فضایی خودروهای بین استانی یا فروش.

2.2.2. روش خوشه بندی سری زمانی DTW

DTW (Dynamic Time Warping) یک الگوریتم کلاسیک برای تطبیق توالی و محاسبه فاصله توالی است [ 33 ]. روش DTW دو سری زمانی را سازماندهی می کند و نقاط ویژگی را برای بدست آوردن کوتاهترین فاصله دو سری زمانی تراز می کند. فرض کنید دو داده سری زمانی P = { p ₁ , … , p _n } و Q = { q ₁ , …, q _m } هستند و n و m به ترتیب طول های دنباله هستند. یک ماتریس n × m بسازید که ( i , j ) ^{th آن باشد}فاکتور فاصله بین Pi و Qj است. هدف الگوریتم DTW بدست آوردن مسیر W = { w ₁ , …, w _k } و max ( n , m ) ≤ K ≤ m + n − 1 است، به گونه ای که:

$d_{D T W (i, j)} = \min \frac{\sum_{k = 1}^{K} w_{k}}{K}$ (2)

در این مقاله، ما از نرم‌افزار منبع باز یادگیری ماشینی «tslearn» استفاده می‌کنیم ^که به‌ویژه داده‌های سری زمانی را در زبان پایتون برای محاسبه داده‌های سری زمانی پردازش و تحلیل می‌کند. فرمول (2) را می توان به K-means و K-شکل تقسیم کرد [ 34] با توجه به تفاوت روش های اندازه گیری فاصله. در میان آنها، K-means شباهت داده های سری زمانی را بر اساس فاصله اقلیدسی تراز خطی محاسبه می کند، در حالی که K-shape فاصله شباهت را بر اساس شکل داده های سری زمانی محاسبه می کند و امکان تراز غیر خطی را فراهم می کند. اگر تجزیه و تحلیل خوشه ای بر تمایز اندازه یا مقیاس داده های سری زمانی متمرکز باشد، K-means به طور کلی استفاده می شود. اگر تجزیه و تحلیل خوشه ای بر تمایز حالت تکامل داده های سری زمانی (یعنی شکل داده های سری زمانی) تمرکز کند، شکل K مناسب تر است.

2.2.3. مدل داده پانل فضایی

داده های پانل فضایی شامل سه جنبه اطلاعات است: فردی مقطعی، زمانی و مکانی. در مقایسه با داده های مقطعی، می تواند اثر تخمین ضعیف ناشی از چند خطی بودن در تحلیل سری های زمانی را بهبود بخشد. در مقایسه با داده های پانل عمومی، همچنین می تواند اثرات سرریز فضایی متغیرهای توضیحی یا متغیرهای توضیحی را تجزیه و تحلیل کند. مدل داده های پانل فضایی به طور گسترده در زمینه های علوم انسانی و جغرافیای اقتصادی استفاده شده است [ 35 ]. هدف تحقیق این مقاله، فروش خودروهای بین استانی ممکن است دارای همبستگی خودکار مکانی و خودهمبستگی زمانی باشد. ما سعی می کنیم از مدل دوبین [ 36 ] پانل فضایی استاتیک و پویا استفاده کنیم که از میان آن مدل مناسبی را برای تحلیل تجربی انتخاب کنیم. از ماژول “XSMLE” Stata16 استفاده کنید [ 37] برای محاسبه.

3. ویژگی های تکامل زمانی و مکانی بازار خودرو چین

3.1. سطح ملی

پس از شرکت در WTO، شرکت های خودروسازی چند ملیتی بیشتر و بیشتر وارد بازار چین شدند، تولید خودرو به طور چشمگیری افزایش یافته است که باعث رشد سریع بازار خودرو چین می شود. فروش خودرو در چین از 3.379 میلیون در سال 2002 به 25.446 میلیون در سال 2019 افزایش یافته است، با نرخ رشد متوسط سالانه 12.62٪ (نگاه کنید به شکل 2 ).

با توجه به تفاوت در نرخ رشد، به وضوح می توان آن را به سه مرحله تقسیم کرد: در مرحله اول (از سال 2002 تا 2008)، بازار خودرو تحت سلطه برندهای سرمایه گذاری مشترک بود که میانگین نرخ رشد سالانه 14.02٪ بود. که در

شکل 2 . تغییرات در فروش خودرو در چین از سال 2002 تا 2019

مرحله دوم (از سال 2009 تا 2017)، پس از بحران مالی، خودروهای جیلی، گریت وال موتور، BYD، GAC Trumpchi، SAIC Roewe و دیگر خودروهای برند چینی به سرعت رشد کردند و چین را به بزرگترین بازار خودرو در جهان تبدیل کردند. 10 سال متوالی، با متوسط نرخ رشد سالانه 10.65٪ و نرخ رشد به طور قابل توجهی کاهش یافته بود. در مرحله سوم (از سال 2018 تا 2019)، اولین رشد منفی از سال 1990 وجود داشت و روند نزولی را نشان داد. با شیوع بیماری همه گیر COVID-19 در سال 2020، بازار خودرو چین وارد مرحله جدیدی از توسعه شده است که با رشد منفی یا خرد مشخص می شود.

از نظر انواع فروش خودرو، نسبت مصرف خودروهای سواری همچنان در حال افزایش است و از 68.1 درصد در سال 2020 به 85.8 درصد در سال 2019 رسیده است که عمدتاً به دلیل رشد سریع خودروهای سواری کوچک ( یعنی خودروهای شخصی) بوده است. از 1.4913 میلیون در سال 2002 به 21.6481 میلیون در سال 2019 با متوسط نرخ رشد سالانه تا 17.04 درصد افزایش یافت. نسبت مصرف کامیون به کاهش خود ادامه داد، از 29.47 درصد در سال 2002 به 13.5 درصد در سال 2019، اما همچنان به رشد متوسط سالانه 7.57 درصد رسیده است. در میان آنها، کامیون‌های سنگین و کامیون‌های سبک به‌سرعت رشد کردند، با میانگین نرخ رشد سالانه به ترتیب 10.65 و 9.47 درصد، که نشان‌دهنده این است که لجستیک تجارت الکترونیک چین که به‌سرعت در حال توسعه است، تقاضای رو به رشد زیادی برای کامیون‌ها دارد.

3.2. سطح استان

از سطح بین استانی، بازار خودرو چین عمدتاً در مناطق مرکزی و شرقی توزیع شده است، در حالی که بازار خودرو در مناطق غربی و شمال شرقی کوچک است. نرخ رشد فروش خودرو بین استانی دارای تمایز فضایی آشکار است که ویژگی های “پایه کوچک، رشد سریع، پایه بزرگ و رشد متوسط و بالا” را نشان می دهد. “تفکیک فضای تولید و فروش” به ویژگی مهم بازار خودرو بین استانی چین تبدیل شده است.

در این قسمت از tslearn برای انجام تجزیه و تحلیل خوشه ای بر روی فروش خودروهای بین استانی از سال 1381 تا 1398 استفاده می کنیم. استفاده از روش K-means مناسب تر است، و مناسب تر است که 4 را روی پارامتر K شماره خوشه تنظیم کنیم. نتایج محاسبات در یک نمودار ترسیم شده است ( شکل 3 (ب) را ببینید، منحنی خاکستری در شکل داده های سریال فروش خودرو استان ها است، و قرمز منحنی مرکز است).

مقیاس و توزیع فضایی بازار خودرو از نتایج چهار خوشه‌بندی به وضوح متفاوت است. استان ها و شهرهای کم فروش عمدتاً در شمال غرب، شمال شرق و هاینان با فروش سالانه کمتر از 0.5 میلیون توزیع شده اند. فروش کمتر عمدتاً در جنوب غربی، شمال و فوجیان، جیانگشی در شرق توزیع می شود، با فروش سالانه خودرو بیش از 0.8 میلیون نفر. فروش بالاتر عمدتاً در سیچوان، هونان، هوبی و آنهویی است و فروش سالانه خودرو کمتر از 1.4 میلیون است که دارای ویژگی‌های تراکم فضایی آشکار است. فروش بالا در گوانگدونگ، ژجیانگ، جیانگ سو، شاندونگ، هبی و هنان، از جمله گوانگدونگ توزیع شده است.

شکل 3 . تغییرات فروش استانی خودرو در چین از سال 2002 تا 2019 و تجزیه و تحلیل خوشه DTW.

و شاندونگ در سال 2019 از 2 میلیون نفر فراتر رفت. چهار نوع منحنی مرکز خوشه‌بندی همچنین نشان دهنده ویژگی‌های تغییر زمانی انواع مختلف بازارها است: اولاً، نوع فروش پایین پس از الحاق چین به WTO نسبتاً ثابت بوده است و روند صعودی سریعی را نشان داده است. روند پس از سال 2009. پس از یک کاهش مختصر در سال 2015، روند توسعه پایدار را حفظ کرد. ثانیاً، نوع فروش کمتر به طور قابل توجهی با انواع کم فروش متفاوت است. 2002-2019 به طور کلی روند صعودی را حفظ کرد و ویژگی «نردبانی» را از دورهای متعدد «افزایش سریع قبل از توسعه ملایم» نشان داد. سوم، رشد آهسته نوع فروش بالاتر پس از الحاق چین به WTO است. پس از بحران مالی در سال 2008، بازار خودرو در این استان ها و شهرها به سرعت گسترش یافت و فروش خودرو در سال 2018 کاهش یافت. چهارم، الگوی نوع فروش بالا مشابه نوع فروش بالاتر است، اما سرعت و دامنه تغییرات فروش خودرو در این استان ها و شهرستان ها کمتر از نوع فروش بالاتر است. علاوه بر این، از منظر میانگین نرخ رشد سالانه، نرخ رشد پکن، شانگهای، تیانجین و سایر مناطقی که سیاست محدودیت مجوز را اجرا می‌کنند، نسبتا کم است که به ترتیب 4.90٪، 8.85٪ و 9.00٪ است. در گویژو، گوانگشی، آنهویی، جیانگشی، هونان و سایر مناطق، نرخ رشد بسیار بالا است که به ترتیب 18.64٪، 18.19٪، 17.65٪، 16.87٪، 16.58٪ است. نرخ رشد پکن، شانگهای، تیانجین و سایر مناطقی که سیاست محدودیت مجوز را اجرا می کنند نسبتا کم است که به ترتیب 4.90٪، 8.85٪ و 9.00٪ است. در گویژو، گوانگشی، آنهویی، جیانگشی، هونان و سایر مناطق، نرخ رشد بسیار بالا است که به ترتیب 18.64٪، 18.19٪، 17.65٪، 16.87٪، 16.58٪ است. نرخ رشد پکن، شانگهای، تیانجین و سایر مناطقی که سیاست محدودیت مجوز را اجرا می کنند نسبتا کم است که به ترتیب 4.90٪، 8.85٪ و 9.00٪ است. در گویژو، گوانگشی، آنهویی، جیانگشی، هونان و سایر مناطق، نرخ رشد بسیار بالا است که به ترتیب 18.64٪، 18.19٪، 17.65٪، 16.87٪، 16.58٪ است.

خواه مشوق های بازار خودرو مانند خودرو به روستاها، نصف کردن مالیات خرید خودروهای کم جابجایی، خرید و فروش وسایل نقلیه موتوری قدیمی با وسایل نقلیه موتوری جدید، یا سیاست محدودیت مجوز و محدودیت خرید که توسط شهرهای بیشتر و بیشتر اجرا می شود، به علاوه. کنترل دقیق دولت در توسعه اولیه صنعت خودرو، الگوی تولید خودرو نسبتاً مستحکم شده است [ 3 ]. “تفکیک فضای تولید و فروش” به یکی از ویژگی های قابل توجه بازار خودرو چین از زمان پیوستن به WTO تبدیل شده است. طبق فرمول (1) مراکز میانگین وزنی فضایی فروش و تولید خودروهای بین استانی برای هر سال به ترتیب محاسبه شده و مسیر حرکت رسم شده است که در شکل 4 نشان داده شده است .

در مجموع، از زمان ورود چین به WTO، مراکز میانگین وزنی تولید و فروش خودروهای بین استانی چین با یکدیگر همپوشانی نداشته و در فاصله 100 کیلومتری نزدیک نشده اند. همگی روند حرکت به سمت جنوب غربی را نشان داده‌اند که نشان می‌دهد تحت تأثیر سیاست‌های تشویقی کلان بازار خودرو، رشد بازار خودرو در سیچوان، گوئیژو، یوننان و سایر استان‌ها، روند حرکت مرکز میانگین وزنی تولید و فروش خودرو را ارتقا می‌دهد. به سمت جنوب غربی در میان آنها، مرکز میانگین وزنی مکانی فروش خودرو 169 کیلومتر به سمت جنوب غربی و مرکز میانگین وزنی فضایی تولید 222 کیلومتر به سمت جنوب غربی حرکت کرد. تفاوت بین این دو نیز آشکار است. میانگین وزنی مکانی مرکز فروش خودرو عمدتاً در جنوب شرقی توزیع شده است

شکل 4 . تغییرات مسیر مرکز تراکم وزنی فضایی تولید و فروش خودرو استانی چین از سال 2002 تا 2019.

هنان و مسیر مهاجرت پیچیده تر است. استان جیلین با تولید طولانی مدت خودرو بالا به طور قابل توجهی تحت تأثیر موقعیت جغرافیایی قرار دارد. توزیع میانگین وزنی فضایی مرکز تولید به سمت شمال است و عمدتاً در شمال غربی استان آنهویی توزیع می شود، با تنوع فضایی قابل توجهی. فاصله بین مراکز میانگین وزنی فضای تولید و فروش روند نزولی دارد. در سال 2008، این دو با فاصله 112 کیلومتر نزدیک‌ترین آنها بودند (منحنی فاصله را در بالا سمت چپ شکل 4 ببینید).

به طور خلاصه، با توجه به انجماد تدریجی تولید خودرو داخلی بین استانی، شانگهای، چونگ کینگ، هوبی، تیانجین، گوانگدونگ و سایر مناطق تولید خودرو از نظر فضا به بازارهای بزرگ خودرو مانند جیانگ سو، ژجیانگ، هنان، هبی نزدیک هستند. و سیچوان ترتیب معقول است. در حالی که جیلین و گوانگشی که همیشه پیشتاز تولید خودروهای داخلی بوده اند، از بازارهای اصلی خودرو فاصله زیادی دارند که دلیل مهمی برای جدایی فضای تولید و فروش خودرو داخلی است.

4. تحلیل تجربی

4.1. طراحی مدل

از زمان پیوستن به WTO، فروش خودرو استانی چین رشد نامتوازن منطقه ای را نشان داده است که منجر به رشد بیش از حد مالکیت خودرو در برخی مناطق و یک سری مشکلات اجتماعی خودرو شده است [ 38 ]، در سال های اخیر، بازار خودرو شروع به نشان دادن رشد منفی کرده است. روند. به طور کلی، عوامل موثر بر فروش داخلی خودرو بسیار پیچیده است. از آنجایی که فروش خودروهای بین استانی چین ممکن است همبستگی مکانی و زمانی داشته باشد، متغیرهای توضیحی ممکن است اثرات سرریز مکانی نیز داشته باشند. نه تنها باید بر تأثیر متغیرهای توضیحی محلی بر فروش خودروهای محلی تمرکز کنیم، بلکه باید بر تأثیر سایر متغیرهای توضیحی محلی بر فروش خودروهای محلی نیز تمرکز کنیم. بنابراین، مدل دوبین پانل فضایی زیر ساخته شده است:

$Y_{i t} = ρ W_{n} Y_{i t} + β X_{i t} + θ W_{n} X_{i t} + ε_{i t} + c_{i}$ (3)

در معادله (3) $Y_{i t}$ فروش خودرو در منطقه i ، دوره t است ، $Y_{i t - 1}$ فروش خودرو در منطقه i است، دوره ( t − 1)، وزن فضایی است، با توجه به اینکه محصولات داخلی خودرو برای فروش ملی هستند، بنابراین وزن فاصله مکانی اتخاذ می شود. $W_{n} Y_{i t}$ تاخیر مکانی فروش خودرو در منطقه i , دوره t ; $X_{i t}$ متغیر توضیحی در منطقه i ، دوره t و $W_{n} X_{i t}$ تأخیر مکانی در متغیر توضیحی در ناحیه i ، دوره t است . $c_{i}$ یک عبارت اثر ثابت فردی با ابعاد n × 1 است. $ε_{i t}$ عبارت باقی مانده است. به منظور تجزیه و تحلیل ارتباط زمانی فروش خودروهای بین استانی چین، یک مدل داده پانل پویا معرفی شده است:

$Y_{i t} = σ Y_{i t - 1} + ρ W_{n} Y_{i t} + β X_{i t} + θ W_{n} X_{i t} + ε_{i t} + c_{i}$ (4)

در فرمول (4)، وقتی σ = 0، یک مدل داده پانل فضایی استاتیک است. وقتی ρ = θ = 0، یک مدل داده پانل پویا است. وقتی σ = ρ = θ= 0، یک مدل داده پانل معمولی است. در مقایسه با مدل داده های تابلویی معمولی، به دلیل معرفی متغیر توضیحی و فاصله زمانی یا مکانی متغیر توضیح داده شده، تفسیر پارامتر تخمین زده پیچیده تر می شود و اثر کلی یک متغیر توضیحی بر متغیر توضیح داده شده برابر نیست. به ضریب آن اصطلاح تأخیر در مدل اندازه‌گیری فضایی نه تنها می‌تواند تأثیر متغیرهای توضیحی محلی را بر متغیرهای تبیین‌شده در منطقه محقق کند، بلکه تأثیر متغیرهای توضیحی مناطق همجوار را بر متغیرهای توضیح‌داده‌شده در منطقه نیز می‌دهد. اولی را اثرات مستقیم و دومی را اثرات غیر مستقیم می نامند. اثرات مستقیم و اثرات غیرمستقیم را می توان با روش مشتق جزئی، به طور کلی با استفاده از روش شاخص میانگین پیشنهاد شده توسط آرنولد ام، محاسبه کرد.39 ] بر اساس ماتریس مشتق جزئی.

4.2. انتخاب متغیر

با اشاره به وانگ کیفان [ 19 ]، یین ژیانگ [ 20 ] و سایر مطالعات موجود، طول بزرگراه، درآمد ساکنان شهری، تولید ناخالص داخلی، مصرف سوخت، سطح توسعه مالی و سایر عوامل نیز عوامل مهمی بر فروش خودرو در چین هستند. توسعه پر رونق تجارت الکترونیک تقاضا برای کامیون ها را افزایش داده است و توسعه سریع خودروهای آنلاین نیز به تقاضای جدیدی برای مصرف خودرو تبدیل شده است. حجم بار بزرگراه و حجم مسافر جاده ای انتخاب شده اند تا تأثیر این دو عامل را منعکس کنند. علاوه بر این، دولت چین تأثیر زیادی بر اقتصاد بازار دارد و سیاست های کلان نیز تأثیر قابل توجهی بر بازار خودرو چین داشته است. نصف کردن مالیات خرید خودرو، ماشین به روستا [ 40]، سیاست محدودیت مجوز خودرو، یارانه خودروهای انرژی نو، معافیت از مالیات خرید [ 24 ] و موارد دیگر نیز بر فروش خودرو تأثیر دارند. تجزیه و تحلیل تجربی با تنظیم متغیرهای مجازی انجام می شود. در این مورد، بر اساس تحلیل فوق و در دسترس بودن داده‌های سری بلندمدت، تولید ناخالص داخلی، سطح مصرف خانوار، ارزش افزوده مالی، نرخ شهرنشینی، شاخص قیمت تمام شده خودرو، تولید خودرو، مالکیت خودروهای غیرنظامی، حجم بار بزرگراه، تعداد مسافر بزرگراه، نسبت بزرگراه، اجرای سیاست تشویقی مصرف خودرو (متغیر ساختگی) و اجرای سیاست محدودیت خرید و مجوز خودرو (متغیر ساختگی). شرح آماری هر متغیر در زیر نشان داده شده استجدول 1 .

متغیرهای توضیحی مانند تولید ناخالص داخلی، سطح مصرف خانوار، ارزش افزوده مالی و نرخ شهرنشینی نسبتاً شهودی هستند و توضیح داده نمی‌شوند. توضیح مختصری از چندین متغیر مجازی داده خواهد شد.

شاخص قیمت بهای تمام شده خودرو (هزینه). از آنجایی که داده های سری زمانی طولانی که به طور مستقیم هزینه استفاده از خودرو را منعکس می کنند، مانند قیمت خودرو بین استانی، قیمت سوخت، قیمت قطعات یدکی و هزینه تعمیر و نگهداری، به سختی به دست می آیند، هزینه استفاده بین استانی از خودرو توسط مصرف کننده منعکس می شود. شاخص قیمت سوخت و قطعات یدکی خودرو و شاخص قیمت مصرف کننده خودرو هزینه استفاده و نگهداری هر دو شاخص قیمت بر اساس سال 2002 به عنوان سال پایه و بر اساس شاخص های تاریخی محاسبه و جمع می شوند. از زمان الحاق چین به WTO، میانگین نرخ رشد سالانه شاخص قیمت تمام شده خودرو در تمامی استان ها و شهرها بالاتر از 2 درصد بوده است. در میان آنها، Ningxia بالاترین نرخ رشد متوسط سالانه را دارد که به 4.46٪ رسیده است. هیلونگجیانگ کمترین نرخ رشد متوسط سالانه را دارد که 2.05 درصد است.

اجرای سیاست تشویقی مصرف خودرو (IP). مقادیر را با توجه به سال و منطقه ای که خط مشی در آن اجرا شده است اختصاص دهید (مقدار 1 برای سال اجرای سیاست، در غیر این صورت 0). از زمان الحاق چین به سازمان تجارت جهانی، چین عمدتاً سیاست‌های تحریک مصرف خودرو زیر را اجرا کرده است: مالیات بر خرید خودروهای کم جابه‌جایی را نصف کنید، دوره اجرا از 1 اکتبر 2015 تا پایان سال 2016 است. خودرو به سیاست روستایی، دوره اجرا از 1 مارس 2009 تا پایان سال 2010 است. سیاست تجارت خودروهای قدیمی برای خودروهای جدید، دوره اجرا از 10 اوت 2009 تا پایان سال 2010 است. یارانه و معافیت از مالیات خرید خودروهای انرژی نو، دوره اجرا از سال 1392 تا 1398 می باشد.

اجرای سیاست محدودیت خرید و مجوز خودرو (RP). با توجه به سال و منطقه ای که سیاست در آن اجرا شده است، مقادیر را تعیین کنید. از زمان الحاق چین به WTO، پکن، شانگهای، تیانجین، گوانگژو، شنژن، گوئیانگ و سایر شهرها سیاست محدودیت مجوز را اجرا کردند، در حالی که در برخی از شهرها اجرای سیاست محدودیت مجوز برای تأثیر قابل توجهی بر تغییرات خودرو در فروش در استان های خود کافی نیست. بنابراین، تنها برای سالی که پکن، شانگهای و تیانجین سیاست محدودیت خرید و مجوز را اجرا می کنند، مقدار متغیر مجازی سال مربوطه برابر با 1 است. در میان آنها، شانگهای سیاست کنترل مجوز خودرو را از سال 1994 اجرا کرده است، پکن سیاست محدودیت مجوز را از سال اجرا کرده است. 2011 و تیانجین آن را در سال 2014 اجرا کرده است.

4.3. برآورد ضرایب مدل تجربی

4.3.1. آزمون ریشه واحد متغیر و خود همبستگی فضایی

به منظور اجتناب از پدیده رگرسیون کاذب در تخمین پارامتر مدل داده‌های تابلویی و اطمینان از اعتبار نتایج، داده‌ها (لگاریتم متغیرها) نیاز به آزمایش ریشه واحد دارند. آزمون Levin-Lin-Chu و آزمون Im-Pesaran-Shin در Stata برای انجام آزمایش ریشه واحد بر روی دنباله اصلی و دنباله دیفرانسیل مرتبه اول متغیرها (به استثنای متغیرهای مجازی) استفاده می شود. نتایج نشان می‌دهد که توالی اصلی و دنباله دیفرانسیل مرتبه اول همه متغیرها دارای ریشه واحد نیستند و دنباله‌های ثابت هستند. همچنین با استفاده از دستور spatgsa در Stata برای انجام تست موران بر روی فروش خودروهای بین استانی در هر سال، نتایج نشان می دهد که فروش خودروهای بین استانی وابستگی مکانی قابل توجهی دارد، بنابراین می توان از مدل پانل فضایی دوبین استفاده کرد.

4.3.2. نتایج تخمین مدل دوبین فضایی و تجزیه اثر

از ماژول “XSMLE” در Stata برای انجام تجزیه و تحلیل تجربی مدل فضایی دوبین استفاده کنید، شش نتیجه تخمین به دست آمده است ( جدول 2 را ببینید ).

این مدل ها شامل مدل اثر ثابت ایستا ① و مدل اثر ثابت پویا ②، چهار مدل اثر تصادفی ③-⑥، که در میان آنها مدل ① و ② برای تحلیل مقایسه ای استفاده می شود، و مدل ④-⑥ برای تست استحکام اثر تصادفی استفاده می شود. مدل. نتایج آزمون هاسمن برای اثرات ثابت استاتیک و تصادفی chi ^{2 است}(7) = -24.01، نشان می دهد که مدل اثر تصادفی باید استفاده شود. در حالی که آزمون‌های Wald و Lration نشان می‌دهند که مدل‌های خودهمبستگی مکانی و خطای مکانی برای این مورد مناسب نیستند. نمادهای ضرایب تخمینی هر یک از متغیرهای توضیحی از مدل ④-⑥ سازگار هستند، که نشان می دهد مدل ③ تست استحکام را گذرانده است، بنابراین از نتایج مدل ③ برای تجزیه و تحلیل استفاده می شود. Tab.2 نشان می دهد که ضریب خودهمبستگی فضایی (Spatial rho) مدل اثر تصادفی فضایی دوبین بزرگتر از 0 است و آزمون معنی داری 5% را گذرانده است، که نشان می دهد خود همبستگی مکانی قابل توجهی در فروش خودروهای بین استانی در چین وجود دارد. دوم، نتایج برآورد شاخص قیمت تمام شده خودرو ln هزینه ، سطح مصرف خانوار ln مصرفو حجم مسافر بزرگراه ln مسافر در آزمون معناداری مردود می شود. ضرایب برآورد متغیرهای توضیحی مانند سطح شهرنشینی شهری، اجرای سیاست محدودیت مجوز خودرو RP و مالکیت خودرو ln مالکیت منفی و ضرایب تخمینی متغیرهای توضیحی باقی مانده است.

بزرگتر از 0 هستند و آزمون معنی داری را پشت سر می گذارند. در مقایسه با مدل داده‌های تابلویی عمومی، به دلیل اینکه اصطلاحات تاخیر مکانی متغیرهای توضیحی و توضیحی در مدل فضایی دوبین معرفی شده‌اند، پارامترهای توضیحی متفاوت از مدل داده‌های تابلویی معمولی تفسیر می‌شوند. بنابراین ضرایب تخمین اثر کل، اثر مستقیم و اثر غیرمستقیم مدل ③ برای تجزیه و تحلیل آنها استفاده می شود ( جدول 3 را ببینید ).

4.4. تجزیه و تحلیل نتایج تجربی

اثرات کل متغیرهایی مانند ln GDP ، ln مالی ، بزرگراه، ln تولید ، ln بار و غیره همگی به طور قابل توجهی مثبت هستند. از این میان، ضرایب برآورد شده اثر کل، اثر مستقیم و اثر غیرمستقیم ln GDP ، ln مالی ، بزرگراه، ln بار همگی به طور قابل توجهی مثبت هستند که نشان دهنده سطح اقتصادی خوب، صنعت مالی توسعه یافته، نسبت کیلومترهای پرسرعت است. و حجم حمل و نقل بزرگراهی در خود منطقه و همسایگی آن می تواند به طور قابل توجهی رشد فروش خودرو در این منطقه را افزایش دهد. تاثیر مستقیم تولید خودرو در تولیدآزمون معناداری را گذرانده است، که نشان می‌دهد تولید خودروهای محلی تاثیر قابل‌توجهی بر فروش خودروهای محلی ندارد، در حالی که اثر غیرمستقیم به طور قابل‌توجهی مثبت است، که نشان می‌دهد یک جدایی فضایی واضح بین تولید و فروش خودرو استانی در چین وجود دارد.

ضرایب تخمینی اثر کل، اثر مستقیم و اثر غیرمستقیم IP متغیر مجازی همگی مثبت هستند و آزمون معناداری را گذرانده اند، که نشان می دهد اجرای سیاست تشویقی صنعت خودرو در چین به میزان قابل توجهی فروش خودرو را افزایش داده است. از سوی دیگر، ضرایب برآورد شده اثر کلی، اثر مستقیم و اثر غیرمستقیم متغیر مجازی RP همگی منفی بوده و آزمون معناداری را پشت سر می گذارند که نشان می دهد حتی اجرای سیاست محدودیت مجوز و خرید در مناطق محلی نیز دارای یک اثر بازدارنده قابل توجهی بر فروش خودرو

ضرایب تخمین اثر کل دو متغیر توضیحی مالکیت شهری و ln هر دو به طور معناداری منفی است که اثر بازدارندگی بر فروش خودرو دارد. در میان آنها، ضرایب برآورد شده از اثر کل

و اثر مستقیم سطح شهرنشینی شهری به طور معناداری منفی است، در حالی که ضرایب برآورد شده اثر کل و اثر غیرمستقیم مالکیت خودرو بر مالکیتبه طور قابل توجهی منفی هستند. این نشان می دهد که از زمان الحاق چین به WTO، تعداد مالکیت خودرو به سرعت افزایش یافته است و مصرف خودرو در منطقه اشباع شده است. نرخ شهرنشینی بیش از حد بالا به این معنی است که جمعیت بیش از حد متمرکز است. در همان زمان، پکن، شانگهای، تیانجین و سایر مناطق با سطح شهرنشینی بالا سیاست محدودیت مجوز را اجرا کرده اند. این سیاست، همراه با رشد بیش از حد مالکیت خودرو، باعث ایجاد یک سری مشکلات اجتماعی خودرو شده و به طور کلی اثر بازدارنده ای بر مصرف خودرو دارد. با این حال، تفاوت های آشکاری در اثرات سرریز فضایی بین این دو وجود دارد. شهری یک اثر سرریز فضایی قابل توجهی را تشکیل نمی دهد، در حالی که مالکیت lnیک اثر سرریز فضایی به طور قابل‌توجهی منفی را تشکیل می‌دهد، که نشان می‌دهد مناطق اطراف با مالکیت خودرو بالاتر، یک اثر بازدارنده بر مصرف خودرو در این منطقه دارند.

ضرایب تخمینی اثر کل، اثر مستقیم و اثر غیرمستقیم ln Cost و ln مسافر همگی منفی هستند و آزمون معنی داری را قبول نمی کنند و نشان می دهد که هزینه خودرو به تدریج در حال اشباع شدن است و حمل و نقل مسافر جاده ای به تدریج با راه آهن بین شهری جایگزین می شود. ، راه آهن پرسرعت و خطوط هوایی، که منجر به سهم کمتر این دو متغیر توضیحی در مصرف کلی خودرو در چین می شود.

5. خلاصه

بر اساس تولید و فروش خودرو بین استانی از سال 2002 تا 2019 و داده های آماری مرتبط، ویژگی های تحول مکانی و زمانی و عوامل تأثیرگذار بازار خودرو بین استانی چین پس از ورود چین به WTO با استفاده از روش ESDA، خوشه بندی سری های زمانی DTW و پانل فضایی مدل دوبین. یافته ها به شرح زیر است:

1) پس از شروع عضویت در سازمان تجارت جهانی، فروش خودرو در طول 18 سال سالانه 12.62 درصد افزایش یافته است، اما نرخ رشد روند کندی را نشان می دهد و شروع به نشان دادن رشد منفی در سال های 2018 و 2019 می کند. همه گیری COVID-19 نه تنها دارای یک تاثیر شدیدی بر صنعت خودرو در مدت زمان کوتاهی خواهد داشت، اما به دلیل روند عادی پیشگیری و کنترل آن، منجر به یک روند نزولی مستمر در بازار جهانی خودرو خواهد شد و دور جدیدی از ادغام و سازماندهی مجدد صنعت خودروسازی داخلی چین است. آینده.

2) نتایج فروش خودروهای بین استانی بر اساس روش تحلیل خوشه‌ای DTW نشان می‌دهد که چهار نوع بازار خودروی چین (فروش کم، فروش کمتر، فروش بیشتر و فروش بالا) دارای تمایز فضایی متمایز هستند، در حالی که همان نوع، خوشه‌بندی فضایی را نشان می‌دهد. ویژگی‌ها، و منحنی مرکز تفاوت‌های متمایز را در میان انواع مختلف حالت‌های تکامل نشان می‌دهد. “تفکیک فضای تولید و فروش” به تدریج به یکی از ویژگی های مهم بازار خودرو چین تبدیل شده است. شهرهای بیشتر و بیشتری سیاست‌های محدودیت خرید را اجرا می‌کنند، الگوی فضایی تولید خودرو به تدریج تثبیت می‌شود و جیلین، گوانگشی و سایر استان‌ها و شهرهای پرتولید خودرو بسیار دور از بازار مصرف هستند. مرکز میانگین وزنی فروش خودرو بین استانی عمدتاً در جنوب شرقی هنان توزیع می شود.

3) تحلیل تجربی مدل دوبین پانل فضایی نشان می‌دهد که متغیرهای توضیحی عمدتاً به طور قابل‌توجهی یک اثر تبلیغاتی مثبت بر فروش خودرو ایجاد می‌کنند. از این میان، ضرایب برآورد شده اثر کل، اثر مستقیم و اثر غیرمستقیم تولید ناخالص داخلی، ارزش افزوده مالی، نسبت بزرگراه، حجم بار بزرگراهی همگی به طور معناداری مثبت هستند که نشان دهنده سطح خوب اقتصادی، صنعت مالی توسعه یافته، نسبت کیلومترهای پرسرعت و حجم حمل و نقل بزرگراهی در خود منطقه و همسایگی آن می تواند به طور قابل توجهی رشد فروش خودرو را در این منطقه افزایش دهد. اثر مستقیم تولید خودرو از آزمون معناداری عبور نکرده است در حالی که اثر غیرمستقیم به طور معناداری مثبت است. این نشان می دهد که تولید خودروهای محلی تاثیر قابل توجهی بر فروش خودروهای محلی ندارد و یک جدایی فضایی واضح بین تولید خودرو استانی و فروش در چین وجود دارد. ضرایب تخمین زده شده اثر کل، اثر مستقیم و اثر غیرمستقیم IP (اجرای سیاست تشویقی مصرف خودرو) همگی به طور قابل توجهی مثبت هستند، در حالی که RP (اجرای مجوز خودرو و سیاست محدودیت خرید) همه به طور قابل توجهی منفی هستند، که نشان می دهد هر دو محدودیت خرید و مشوق ها همانطور که در نظر گرفته شده کار می کنند. ضرایب تخمینی اثر کل، اثر مستقیم و اثر غیرمستقیم شاخص قیمت تمام شده خودرو و تعداد مسافر بزرگراه همگی منفی بوده و از آزمون معناداری عبور نمی‌کنند.

منابع

[ 1 ]	Xia, Y. (2005) تجزیه و تحلیل رفتار رقابتی شرکت های چند ملیتی در بازار خودرو چین پس از پیوستن به WTO. جستار در مسائل اقتصادی، 4، 54-58. (به زبان چینی)
[ 2 ]	Wei, FY, Wang, JJ, et al. (2020) پیش بینی گرایش COVID-19 در سراسر جهان. نظارت بر بیماری، 35، 467-472. (به زبان چینی)
[ 3 ]	Wu, XB (2020) تکامل فضایی و زمانی الگوی و چشم‌انداز تولید خودرو در چین. بررسی اقتصادی منطقه ای، 2، 121-129. (به زبان چینی)
[ 4 ]	Gai, YY (2017) تحقیق در مورد دلایل رشد مالکیت خودرو و تأثیر آن بر تراکم ترافیک در پکن. پایان نامه کارشناسی ارشد، دانشگاه جیائوتنگ پکن، پکن. (به زبان چینی)
[ 5 ]	Chen, Q. (2019) سرویس اشتراک سواری: خودروسازان به تقاطع بعدی می روند. Automobile & Parts, 22, 56. (به چینی)
[ 6 ]	Wu, XB (2018) تأثیر دور جدیدی از گشایش صنعت بر صنعت خودرو. مجله افتتاحیه چین، 5، 76-79. (به زبان چینی)
[ 7 ]	Nerlove (1957) یادداشتی در مورد تقاضای طولانی مدت خودرو. مجله بازاریابی، 22، 57-64. https://doi.org/10.1177/002224295702200109
[ 8 ]	دایکمن (1965) مدل تقاضای کل برای خودروها. مجله تجارت، 38، 252-266. https://doi.org/10.1086/294785
[ 9 ]	هس (1977) مقایسه معادلات تقاضای خودرو. اقتصاد سنجی، 45، 683-702. https://doi.org/10.2307/1911682
[ 10 ]	Witt, J. (1986) مدل اقتصادسنجی تقاضای خودروهای جدید در بریتانیا. اقتصاد مدیریت و تصمیم گیری، 7، 19-23. https://doi.org/10.1002/mde.4090070105
[ 11 ]	Pendyala, RM, Kostyniuk, LP and Goulias, KG (1995) ارزیابی مقطعی مکرر مالکیت خودرو. حمل و نقل، 22، 165-184. https://doi.org/10.1007/BF01099438
[ 12 ]	Bert, J., Collie, B., Gerrits, M. and Xu, G. (2016) چه چیزی برای اشتراک گذاری خودرو در پیش است؟ تحرک جدید و تأثیر آن بر فروش خودرو. https://www.bcg.com/publications/2016/automobile-whats-ahead-automobile-sharing-new-mobility-its-impact-vehicle-sales.aspx
[ 13 ]	Brühl, B., Hülsmann, M., Borscheid, D., Friedrich, CM and Reith, D. (2009) یک مدل پیش بینی فروش برای بازار خودرو آلمان بر اساس تجزیه و تحلیل سری های زمانی و روش های داده کاوی. در مجموعه مقالات نهمین کنفرانس صنعتی پیشرفت در داده کاوی. کاربردها و جنبه های نظری، 146-160.
[ 14 ]	Sa-Ngasoongsong, A., Bukkapatnam, STS, Kim, J., Iyer, PS and Suresh, RP (2012) پیش بینی فروش چند مرحله ای در صنعت خودرو بر اساس شناسایی روابط ساختاری. مجله بین المللی اقتصاد تولید، 140، 875-887. https://doi.org/10.1016/j.ijpe.2012.07.009
[ 15 ]	Fantazzini، D. and Toktamysova، Z. (2015) پیش بینی فروش خودرو در آلمان با استفاده از داده های گوگل و مدل های چند متغیره. مجله بین المللی اقتصاد تولید، 170، 97-135. https://doi.org/10.1016/j.ijpe.2015.09.010
[ 16 ]	Zhang, Q., Zhan, H. and Yu, J. (2017) تجزیه و تحلیل فروش خودرو بر اساس کاربرد داده های بزرگ. Procedia Computer Science, 107, 436-441. https://doi.org/10.1016/j.procs.2017.03.137
[ 17 ]	Kaya, A., Kaya, G. and Cebi, F. (2019) پیش بینی فروش خودرو در ترکیه با شبکه های عصبی مصنوعی. مجله بین المللی تحلیل کسب و کار، 6، 50-60. https://doi.org/10.4018/IJBAN.2019100104
[ 18 ]	Wang, FK, Chang, KK and Tzeng, CW (2011) با استفاده از سیستم استنتاج فازی مبتنی بر شبکه تطبیقی برای پیش‌بینی فروش خودرو. سیستم های خبره با برنامه های کاربردی، 38، 10587-10593. https://doi.org/10.1016/j.eswa.2011.02.100
[ 19 ]	Wang, QF and Jia, JG (2002) بررسی تأثیر ورود چین به WTO بر تقاضای بازار خودرو چین. مهندسی سیستم-نظریه و عمل، 3، 56-62. (به زبان چینی)
[ 20 ]	Yin, ZY and Fan, J. (2004) خلاصه تحقیقات در مورد مصرف خودرو ساکنان شهری در چین. اقتصاد مصرف کننده، 6، 59-62. (به زبان چینی)
[ 21 ]	Chen, DP and Liu, W. (2005) تقاضای بازار خودرو چین و کشش و تحلیل پیش بینی آن. مجله دانشگاه چونگ کینگ (نسخه علوم طبیعی)، 12، 138-142. (به زبان چینی)
[ 22 ]	Chen, YF and Miao, RY (2010) اثر شوک غیر خطی نوسانات قیمت نفت بین المللی بر تقاضای مصرف خودرو در چین: 1997-2008. امور مالی و اقتصاد تجارت، 5، 116-122. (به زبان چینی)
[ 23 ]	Wu، XB و Ge، ZZ (2020) روندهای تفاوت منطقه ای و عوامل تأثیرگذار بر تفاوت های منطقه ای در بازار مصرف کننده خودرو چین. روابط اقتصادی و تجارت خارجی، 6، 59-63. (به زبان چینی)
[ 24 ]	Tan, LW, Dai, YB, Lou, HY and Chen, BJ (2010) تأثیر افزایش قیمت نفت بین‌المللی بر صنعت خودروی چین: یک مطالعه تجربی بر اساس مدل‌های VAR و VEC. انجمن آمار و اطلاعات، 25، 25-29. (به زبان چینی)
[ 25 ]	Shi, YH, Hao, CJ and Zhu, XQ (2012) تجزیه و تحلیل عوامل مؤثر بر تقاضای بازار خودرو بر اساس مدل رابطه ای خاکستری. مجله دانشگاه کشاورزی شانشی (نسخه علوم اجتماعی)، 11، 155-159. (به زبان چینی)
[ 26 ]	Shen, HC (2013) تجزیه و تحلیل عوامل مؤثر بر تقاضای خودروهای الکتریکی چین بر اساس فرآیند تحلیل سلسله مراتبی. مجله کالج تجارت و فناوری جیلین، 29، 14-18. (به زبان چینی)
[ 27 ]	Cui, T. (2019) تحقیق در مورد پیش‌بینی فروش خودروهای برند بر اساس داده‌های جستجوی اینترنتی. پایان نامه کارشناسی ارشد، دانشگاه صنعتی شیان، شیان. (به زبان چینی)
[ 28 ]	مدل پیش‌بینی فروش خودرو Wei, YZ (2019) بر اساس شاخص Baidu. علم و فناوری و نوآوری، 19، 64-65. (به زبان چینی)
[ 29 ]	لیو، دی کیو، لو، کی، سونگ، دبلیو و زی، سی (2017) الگوهای فضایی فروش خودرو و ویژگی‌های اجتماعی-اقتصادی آنها در چین. علوم جغرافیایی چین، 27، 684-696. https://doi.org/10.1007/s11769-017-0902-x
[ 30 ]	Liu, ZM, Song, W., Liu, DQ and Lu, J. 2018) بررسی اولویت برند و الگوهای فضایی آن در بازار خودرو چین. مجله علوم فضایی، 63، 399-417. https://doi.org/10.1080/14498596.2018.1488631
[ 31 ]	Wu, XB, Cheng, FY and Luo, GS (2020) ویژگی‌های مکانی-زمانی و عوامل مؤثر بر بازارهای خودرو در امتداد کمربند و جاده: بر اساس داده‌های تابلویی از سال 2005 تا 2017. مطالعات منطقه‌ای جهان، 29، 815-825. (به زبان چینی)
[ 32 ]	Han, D., Qiao, JJ and Ma, YL (2017) تمایز و تکامل فضایی و زمانی روستایی در پس زمینه صنعتی شدن سریع: مطالعه موردی شهر گونگی، استان هنان. تحقیقات جغرافیایی، 36، 2405-2418. (به زبان چینی)
[ 33 ]	Sakoe, H. and Chiba, S. (1978) بهینه سازی الگوریتم برنامه نویسی پویا برای تشخیص کلمات گفتاری. IEEE Transactions on Acoustics, Speech and Signal Processing, 26, 43-49. https://doi.org/10.1109/TASSP.1978.1163055
[ 34 ]	پاپارریزوس، جی و گراوانو، ال (2016) K-Shape: Efficient and Accurate Clustering of the Time Series. رکورد SIGMOD، 45، 69-76. https://doi.org/10.1145/2949741.2949758
[ 35 ]	Su, ZF, Hu, RD and Lin, SQ (2009) تحلیل اقتصاد سنجی فضایی رابطه کوزنتس بین کیفیت محیطی و رشد اقتصادی. تحقیقات جغرافیایی، 28، 303-310. (به زبان چینی)
[ 36 ]	Liu, J., Zhao, JJ and Du, YN (2013) مطالعه بر روی رابطه بین توسعه گردشگری شهر ساحلی و رشد اقتصادی منطقه ای – بر اساس مدل داده پانل پویا فضایی. جستار در مسائل اقتصادی، 7، 172-180. (به زبان چینی)
[ 37 ]	Belotti, F., Hughes, G. and Mortari, AP (2013) XSMLE: Stata Module for Spatial Panel Data Models Estimation. اجزای نرم افزار آماری S457610، کالج بوستون، گروه اقتصاد، بوستون.
[ 38 ]	هو، XW (2010) آمدن جامعه خودرو و تحول مدل حکومت شهری. مسائل شهری، 9، 67-71. (به زبان چینی)
[ 39 ]	آرنولد، ام (2011) جیمز لو سیج، رابرت کی پیس: مقدمه ای بر اقتصاد سنجی فضایی. مقالات آماری، 52، 493-494. https://doi.org/10.1007/s00362-009-0267-z
[ 40 ]	Wu, SX, Wu, SQ and Liu, B. (2010) تجزیه و تحلیل تأثیر سیاست خودروها در حومه شهر بر صنعت خودرو کشور من. تحقیقات صنعت خودرو، 12، 12-14. (به زبان چینی)

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها

1. مقدمه