КОНЦЕПТУАЛЬНА МОДЕЛЬ ПРОГНОЗУВАННЯ ДИНАМІКИ ОБСЯГІВ ПРОДАЖІВ ЕЛЕКТРОМОБІЛІВ НА СВІТОВОМУ РИНКУ
Ключові слова:
прогнозування продажів, часові ряди, каузальні моделі, некаузальні моделі, нейронні мережі, кластеризація
Анотація
Сучасний ринок електромобілів характеризується стрімким розвитком та значними коливаннями, зумовленими технологічними, економічними та політичними факторами. Прогнозування динаміки продажів є критично важливим для стратегічного планування виробників, інвесторів та державних установ. Однак існуючі методи прогнозування часто мають обмежену точність через неоднорідність даних, недостатнє врахування специфіки окремих ринків та факторів що на них впливають. У цій статті запропоновано концептуальну модель прогнозування динаміки обсягів продажів електромобілів на світовому ринку, яка включає кластеризацію ринків, аналіз часових рядів, каузальні та некаузальні моделі прогнозування. Модель включає такі етапи: збір даних, кластеризацію ринків за характером динаміки, побудову каузальних (регресійна модель за допомогою нейронної мережі MLP) та некаузальних (ARIMA, RNN, гібридна модель) моделей, а також оцінку якості отриманих прогнозів та вибір найбільш релевантної моделі. Наукова новизна дослідження полягає в комплексному підході, який поєдную сучасні методи прогнозування, що дозволить покращити результати прогнозів в умовах емерджентної економіки. Запропонована модель має потенціал завдяки використанню гібридних методів та використанню нейронних мереж наряду із традиційними статистичними підходами. Результати дослідження можуть бути корисними для виробників, інвесторів та державних органів при плануванні інфраструктурних проектів, розробці політик підтримки та оцінці ринкових тенденцій. Модель також відкриває перспективи для подальших досліджень у галузі прогнозування динамічних ринків.
Посилання
1. Beveridge S., Oickle C. A Comparison of Box–Jenkins and objective methods for determining the order of a nonseasonal ARMA Model, Journal of Forecasting, Volume 13, Issue 5, September 1994. DOI:10.1002/for.3980130502.
2. Xilin Liu, Predicting Apples future stock price using ARIMA model, Theoretical and Natural Science 26(1), December 2023. DOI:10.54254/2753-8818/26/20241066
3. Vorobets I., Fryz M. Vykorystannia modelei ARIMA dlia prohnozuvannia chasovykh riadiv iz vlastyvistiu tsyklichnosti, Materialy VI Mizhnarodnoi studentskoi naukovo-tekhnichnoi konferentsii «Pryrodnychi ta humanitarni nauky. Aktualni pytannia», Ternopil: TNTU, 2023. URL: https://elartu.tntu.edu.ua/bitstream/lib/41432/2/122-123.pdf
4. Zhang Y, Zhong M, Geng N, Jiang Y Forecasting electric vehicles sales with univariate and multivariate time series models: The case of China. PLoS ONE 12(5), 2017. DOI:10.1371/journal.pone.0176729.
5. Yu R, Wang X, Xu X, Zhang Z. Research on Forecasting Sales of Pure Electric Vehicles in China Based on the Seasonal Autoregressive Integrated Moving Average–Gray Relational Analysis–Support Vector Regression Model. Systems. 2024; 12(11). DOI:10.3390/systems12110486.
6. Lingxiao T., Jia S. Predict the sales of New-energy Vehicle using linear regression analysis. E3S Web of Conferences, 2018. DOI: 10.1051/e3sconf/201911802076.
7. Afandizadeh, S., Sharifi, D., Kalantari, N. et al. Using machine learning methods to predict electric vehicles penetration in the automotive market. Sci Rep 13, 8345 (2023). DOI:10.1038/s41598-023-35366-3
8. Wu M, Chen W. Forecast of Electric Vehicle Sales in the World and China Based on PCA-GRNN. Sustainability, 14(4), 2022. DOI:10.3390/su14042206
9. Boshuai Q., Sigal K., Jie H. Exploring the Bev Sales Forecasting Under Dynamic Market Conditions In Jiangsu Province, China. Available at SSRN: https://ssrn.com/abstract=4813790 or http://dx.doi.org/10.2139/ssrn.4813790
10. Jahangir H., Gougheri S., Vatandoust B., Golkar M., Ahmadian A., Hajizadeh A., Plug-in Electric Vehicle Behavior Modeling in Energy Market: A Novel Deep Learning-Based Approach With Clustering Technique, IEEE Transactions on Smart Grid, vol. 11, no. 6, Nov. 2020, DOI: 10.1109/TSG.2020.2998072
11. Xiong Y., Wang B., Chu C., Gadh R. Electric Vehicle Driver Clustering using Statistical Model and Machine Learning, IEEE Power & Energy Society General Meeting (PESGM), Portland, OR, USA, 2018, DOI: 10.1109/PESGM.2018.8586132.
12. The EV-volumes, URL:https://www.ev-volumes.com/
13. The International Energy Agency, URL:https://www.iea.org/
14. Apache Mahout. Metrics to determine user similarity. URL:https://habr.com/ru/articles/188350/
15. Faggini M. Chaotic time series analysis in economics: Balance and perspectives Citation: Chaos: An Interdisciplinary Journal of Nonlinear Science 24, 2014, DOI: 10.1063/1.4903797
16. Peters E., Fractal Market Analysis. Applying Chaos Theory to Investment and Analysis ( John Wiley & Sons, Inc., New York, 1994).
17. Perepelitsa V.V., Maksyshko N.K., Analiz i prognozirovanie evolyuczii ekonomicheskikh sistem: problemy strukturirovaniya dannykh v usloviyakh neopredelennosti i predprognoznogo analiza. (Analysis and forecasting of the economic systems evolution: problems of data structuring in conditions of uncertainty and pre-forecast analysis).
(Lambert Academic Publishing GmbH& Co. KG, Saarbrucken, 2012).
18. Takens F. Detecting strange attractors in turbulence. Dynamical systems and turbulence, eds. D.Rand, L.Young. Berlin: Springer, Verlag, 1981.
19. Kennel, M. B., Brown, R., H. D. I.: Abarbanel Determining embedding dimension for phase-space reconstruction using a geometrical construction. Physical Review A 45(6), 1992. DOI:10.1103/PhysRevA.45.3403
20. Wallot S. Recurrence Quantification Analysis of Processes and Products of Discourse: A Tutorial in R, Discourse Processes, 54:5-6, 2017, DOI: 10.1080/0163853X.2017.1297921
21. Benesty, J., Chen, J., Huang, Y., Cohen, I. Pearson Correlation Coefficient. In: Noise Reduction in Speech Processing. Springer Topics in Signal Processing, vol 2. Springer, Berlin, Heidelberg, 2009. DOI:10.1007/978-3-642-00296-0_5
22. Ali Abd Al-Hameed, K. Spearman's correlation coefficient in statistical analysis. International Journal of Nonlinear Analysis and Applications, 13(1), 2022. DOI:10.22075/ijnaa.2022.6079
23. Chatterjee S., Ali Hadi S. Regression analysis by example, New York University, American University in Cairo, Actuarial Science Program, Cairo, Egypt. – Fifth edition, 2006, pp. 20-21.
24. Kotsiubynskyi V. Yu., Kyslytsia L. M. Osnovy modeliuvannia rynkovykh sytuatsii, Navchalnyi posibnyk, 2013, URL: https://web.posibnyky.vntu.edu.ua/fksa/12kocubynsky,kyslycia_osn_model_rynk_sytuac/zmist.html
25. Renaud O., Victoria-Feser M. A robust coefficient of determination for regression, Journal of Statistical Planning and Inference Volume 140, Issue 7, 2010. DOI: 10.1016/j.jspi.2010.01.008
26. Di Bucchianico A. Coefficient of Determination (R2). In Encyclopedia of Statistics in Quality and Reliability (eds F. Ruggeri, R.S. Kenett and F.W. Faltin). 2008. DOI:10.1002/9780470061572.eqr173
27. Kucher P., Yunkova O. Prohnozuvannia dynamiky rynku vitaminiv za dopomohoiu neiromerezh, Nauka i tekhnika sohodni № 3(17) 2023. DOI:10.52058/2786-6025-2023-3(17)-110-121
28. Yatsenko V. V., Hrytsenko K. H., Koibichuk V. V., Shtefan A. V. Neiromerezheve modeliuvannia ta prohnozuvannia aktualizatsii kibersportyvnoi industrii na svitovomu rivni, Visnyk Khmelnytskoho natsionalnoho universytetu, №2, 2021 DOI:10.31891/2307-5732-2021-295-2-289-295
29. Zoryna V., Yurynets V., Kruhliakova V. Neiromerezheve modeliuvannia yak instrument prohnozuvannia innovatsiinoho rozvytku ekonomiky Ukrainy, Aktualni problemy ekonomiky №6(180), 2016 URL:https://financial.lnu.edu.ua/wp-content/uploads/2017/10/ape_2016_6_51.pdf
30. Herasymenko V. A., Vasylenko V. V., Maiborodyna N. V., Kovalov A. V. Neiromerezheve prohnozuvannia strumu vytoku na osnovi tekhnolohichnykh parametriv, "Enerhetyka i avtomatyka", №3, 2022. DOI:10.31548/energiya2022.03.109
31. Technical documentation site for TIBCO products, URL:https://docs.tibco.com/pub/stat/14.0.0/doc/html/UsersGuide/GUID-BF0E25C0-2D6F-4DCA-9883-6168B21D3B09.html
32. Machine Learning Geek. URL:https://machinelearninggeek.com/multi-layer-perceptron-neural-network-usingpython/
2. Xilin Liu, Predicting Apples future stock price using ARIMA model, Theoretical and Natural Science 26(1), December 2023. DOI:10.54254/2753-8818/26/20241066
3. Vorobets I., Fryz M. Vykorystannia modelei ARIMA dlia prohnozuvannia chasovykh riadiv iz vlastyvistiu tsyklichnosti, Materialy VI Mizhnarodnoi studentskoi naukovo-tekhnichnoi konferentsii «Pryrodnychi ta humanitarni nauky. Aktualni pytannia», Ternopil: TNTU, 2023. URL: https://elartu.tntu.edu.ua/bitstream/lib/41432/2/122-123.pdf
4. Zhang Y, Zhong M, Geng N, Jiang Y Forecasting electric vehicles sales with univariate and multivariate time series models: The case of China. PLoS ONE 12(5), 2017. DOI:10.1371/journal.pone.0176729.
5. Yu R, Wang X, Xu X, Zhang Z. Research on Forecasting Sales of Pure Electric Vehicles in China Based on the Seasonal Autoregressive Integrated Moving Average–Gray Relational Analysis–Support Vector Regression Model. Systems. 2024; 12(11). DOI:10.3390/systems12110486.
6. Lingxiao T., Jia S. Predict the sales of New-energy Vehicle using linear regression analysis. E3S Web of Conferences, 2018. DOI: 10.1051/e3sconf/201911802076.
7. Afandizadeh, S., Sharifi, D., Kalantari, N. et al. Using machine learning methods to predict electric vehicles penetration in the automotive market. Sci Rep 13, 8345 (2023). DOI:10.1038/s41598-023-35366-3
8. Wu M, Chen W. Forecast of Electric Vehicle Sales in the World and China Based on PCA-GRNN. Sustainability, 14(4), 2022. DOI:10.3390/su14042206
9. Boshuai Q., Sigal K., Jie H. Exploring the Bev Sales Forecasting Under Dynamic Market Conditions In Jiangsu Province, China. Available at SSRN: https://ssrn.com/abstract=4813790 or http://dx.doi.org/10.2139/ssrn.4813790
10. Jahangir H., Gougheri S., Vatandoust B., Golkar M., Ahmadian A., Hajizadeh A., Plug-in Electric Vehicle Behavior Modeling in Energy Market: A Novel Deep Learning-Based Approach With Clustering Technique, IEEE Transactions on Smart Grid, vol. 11, no. 6, Nov. 2020, DOI: 10.1109/TSG.2020.2998072
11. Xiong Y., Wang B., Chu C., Gadh R. Electric Vehicle Driver Clustering using Statistical Model and Machine Learning, IEEE Power & Energy Society General Meeting (PESGM), Portland, OR, USA, 2018, DOI: 10.1109/PESGM.2018.8586132.
12. The EV-volumes, URL:https://www.ev-volumes.com/
13. The International Energy Agency, URL:https://www.iea.org/
14. Apache Mahout. Metrics to determine user similarity. URL:https://habr.com/ru/articles/188350/
15. Faggini M. Chaotic time series analysis in economics: Balance and perspectives Citation: Chaos: An Interdisciplinary Journal of Nonlinear Science 24, 2014, DOI: 10.1063/1.4903797
16. Peters E., Fractal Market Analysis. Applying Chaos Theory to Investment and Analysis ( John Wiley & Sons, Inc., New York, 1994).
17. Perepelitsa V.V., Maksyshko N.K., Analiz i prognozirovanie evolyuczii ekonomicheskikh sistem: problemy strukturirovaniya dannykh v usloviyakh neopredelennosti i predprognoznogo analiza. (Analysis and forecasting of the economic systems evolution: problems of data structuring in conditions of uncertainty and pre-forecast analysis).
(Lambert Academic Publishing GmbH& Co. KG, Saarbrucken, 2012).
18. Takens F. Detecting strange attractors in turbulence. Dynamical systems and turbulence, eds. D.Rand, L.Young. Berlin: Springer, Verlag, 1981.
19. Kennel, M. B., Brown, R., H. D. I.: Abarbanel Determining embedding dimension for phase-space reconstruction using a geometrical construction. Physical Review A 45(6), 1992. DOI:10.1103/PhysRevA.45.3403
20. Wallot S. Recurrence Quantification Analysis of Processes and Products of Discourse: A Tutorial in R, Discourse Processes, 54:5-6, 2017, DOI: 10.1080/0163853X.2017.1297921
21. Benesty, J., Chen, J., Huang, Y., Cohen, I. Pearson Correlation Coefficient. In: Noise Reduction in Speech Processing. Springer Topics in Signal Processing, vol 2. Springer, Berlin, Heidelberg, 2009. DOI:10.1007/978-3-642-00296-0_5
22. Ali Abd Al-Hameed, K. Spearman's correlation coefficient in statistical analysis. International Journal of Nonlinear Analysis and Applications, 13(1), 2022. DOI:10.22075/ijnaa.2022.6079
23. Chatterjee S., Ali Hadi S. Regression analysis by example, New York University, American University in Cairo, Actuarial Science Program, Cairo, Egypt. – Fifth edition, 2006, pp. 20-21.
24. Kotsiubynskyi V. Yu., Kyslytsia L. M. Osnovy modeliuvannia rynkovykh sytuatsii, Navchalnyi posibnyk, 2013, URL: https://web.posibnyky.vntu.edu.ua/fksa/12kocubynsky,kyslycia_osn_model_rynk_sytuac/zmist.html
25. Renaud O., Victoria-Feser M. A robust coefficient of determination for regression, Journal of Statistical Planning and Inference Volume 140, Issue 7, 2010. DOI: 10.1016/j.jspi.2010.01.008
26. Di Bucchianico A. Coefficient of Determination (R2). In Encyclopedia of Statistics in Quality and Reliability (eds F. Ruggeri, R.S. Kenett and F.W. Faltin). 2008. DOI:10.1002/9780470061572.eqr173
27. Kucher P., Yunkova O. Prohnozuvannia dynamiky rynku vitaminiv za dopomohoiu neiromerezh, Nauka i tekhnika sohodni № 3(17) 2023. DOI:10.52058/2786-6025-2023-3(17)-110-121
28. Yatsenko V. V., Hrytsenko K. H., Koibichuk V. V., Shtefan A. V. Neiromerezheve modeliuvannia ta prohnozuvannia aktualizatsii kibersportyvnoi industrii na svitovomu rivni, Visnyk Khmelnytskoho natsionalnoho universytetu, №2, 2021 DOI:10.31891/2307-5732-2021-295-2-289-295
29. Zoryna V., Yurynets V., Kruhliakova V. Neiromerezheve modeliuvannia yak instrument prohnozuvannia innovatsiinoho rozvytku ekonomiky Ukrainy, Aktualni problemy ekonomiky №6(180), 2016 URL:https://financial.lnu.edu.ua/wp-content/uploads/2017/10/ape_2016_6_51.pdf
30. Herasymenko V. A., Vasylenko V. V., Maiborodyna N. V., Kovalov A. V. Neiromerezheve prohnozuvannia strumu vytoku na osnovi tekhnolohichnykh parametriv, "Enerhetyka i avtomatyka", №3, 2022. DOI:10.31548/energiya2022.03.109
31. Technical documentation site for TIBCO products, URL:https://docs.tibco.com/pub/stat/14.0.0/doc/html/UsersGuide/GUID-BF0E25C0-2D6F-4DCA-9883-6168B21D3B09.html
32. Machine Learning Geek. URL:https://machinelearninggeek.com/multi-layer-perceptron-neural-network-usingpython/
Опубліковано
2025-07-01
Як цитувати
Куркула, С., & Максишко, Н. (2025). КОНЦЕПТУАЛЬНА МОДЕЛЬ ПРОГНОЗУВАННЯ ДИНАМІКИ ОБСЯГІВ ПРОДАЖІВ ЕЛЕКТРОМОБІЛІВ НА СВІТОВОМУ РИНКУ. Фінансові стратегії інноваційного розвитку економіки, (2 (66), 25-32. https://doi.org/10.26661/2414-0287-2025-2-66-03
Розділ
Економіко-математичне моделювання та інформаційні технології в економіці
