删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于在线评论和网络搜索的汽车销量预测研究

本站小编 Free考研考试/2024-01-15

闂傚倸鍊烽懗鍫曞箠閹捐瑙﹂悗锝庡墮閸ㄦ繈骞栧ǎ顒€濡肩痪鎯с偢閺屻劑鎮ら崒娑橆伓2濠电姷鏁搁崑鐐哄垂閸洖绠扮紒瀣紩濞差亜惟闁冲搫顑囩粙蹇涙⒑閸︻厼鍔嬫い銊ユ瀹曠敻鍩€椤掑嫭鈷戦柛娑橈工婵箑霉濠婂懎浠辩€规洘妞介弫鎾绘偐瀹曞洤骞橀梻浣告惈椤︻垶鎮樺┑瀣辈闁靛繈鍊栭悡鐔兼煥閺囨浜惧銈忓閺佸鐛崘鈺冾浄閻庯綆鍋掑Λ鍐ㄢ攽閻愭潙鐏︾痪鏉跨Ч楠炲濡堕崱娆戭啎闂佺懓顕崑鐐核夐弽顓熷仯濞撴艾锕﹂幃鍏间繆閸欏濮囬柍璇查叄楠炲洭宕滄担铏瑰幀濠电姷顣藉Σ鍛村垂闂堟稈鏋嶉柨婵嗘媼濞尖晠鏌曟繛鐐珕闁绘挶鍎茬换娑㈠箣閻愩劎绱伴梺缁樺浮閺€閬嶅Φ閸曨垼鏁冮柕蹇婃櫅閸撻亶姊洪幐搴b姇闁告梹鐟╅悰顔锯偓锝庡櫘閺佸秵绻濇繝鍌涘婵″弶鎸冲缁樻媴閸涢潧婀遍幑銏ゅ箛椤斿墽鐓嬮梺缁樺灱濡嫰宕归崒鐐寸厱鐎光偓閳ь剟宕戦悙鍝勭;闁靛ň鏅滈悡銉╂煟閺囩偛鈧湱鈧熬鎷�
濠电姷鏁告慨浼村垂瑜版帗鍋夐柕蹇嬪€曢悙濠勬喐瀹ュ棙鍙忛柕鍫濐槹閳锋垿鏌涘☉姗堝伐缂佹甯楁穱濠囶敃閿濆洦鍒涘銈冨灪濡啯鎱ㄩ埀顒勬煏閸繃锛嶆俊顐㈠閺岋絾鎯旈婊呅i梺鍝ュУ閻楃姴鐣烽姀銈呯妞ゆ梻鏅崢鎼佹⒑閸涘﹥绀嬫繛浣冲洦鍊堕柨婵嗘娴滄粓鏌熺€涙ḿ绠栧璺哄缁辨帞鈧綆浜跺Ο鈧梺绯曟杹閸嬫挸顪冮妶鍡楀潑闁稿鎹囬弻宥囨嫚閺屻儱寮板┑锟犵畺娴滃爼寮诲鍫闂佸憡鎸婚悷鈺佺暦椤栨稑顕遍悗娑櫭禍顖氣攽閻愬弶鈻曞ù婊勭箞瀵煡顢楅崟顒€鈧爼鏌i幇顔芥毄闁硅棄鍊块弻娑㈠Χ閸ヮ灝銏ゆ婢跺绡€濠电姴鍊搁弳锝嗐亜鎼淬埄娈曢柕鍥у閸╃偤顢橀悙宸痪婵犳鍨遍幐鎶藉蓟閿熺姴鐐婇柍杞扮劍閻忎線姊洪崨濠勬喛闁稿鎹囧缁樻媴閸濄儳楔濠电偘鍖犻崱鎰睏闂佺粯鍔楅弫鍝ョ不閺冨牊鐓欓柟顖嗗苯娈堕梺宕囩帛濮婂綊骞堥妸銉庣喓鎷犻幓鎺濇浇闂備焦鎮堕崐褏绮婚幘璇茶摕闁绘棁娅i惌娆撴煙缁嬪灝顒㈤柟顔界懇濮婄儤瀵煎▎鎴犘滅紓浣哄У閻楁洟顢氶敐澶樻晝闁冲灈鏅滈悗濠氭⒑瑜版帒浜伴柛妯哄⒔缁瑩宕熼娑掓嫼闂佸湱枪濞寸兘鍩ユ径鎰厸闁割偒鍋勬晶瀵糕偓瑙勬礀缂嶅﹥淇婂宀婃Ъ婵犳鍨伴妶鎼佸蓟濞戞ǚ妲堟慨妤€鐗婇弫鍓х磽娴e搫校閻㈩垳鍋ら崺鈧い鎺嗗亾闁诲繑鑹鹃…鍨潨閳ь剟骞冭瀹曞崬霉閺夋寧鍠樼€规洜枪铻栧ù锝夋櫜閻ヮ亪姊绘担渚敯闁规椿浜浠嬪礋椤栨稒娅栭梺鍝勭▉閸樹粙鎮¤箛娑欑厱闁斥晛鍟粈鈧銈忕岛閺嗘竼e濠电姷鏁告慨浼村垂閸︻厾绀婂┑鐘叉搐閻掑灚銇勯幒宥堝厡闁愁垱娲熼弻鏇㈠幢濡も偓閺嗭綁鏌$仦鍓ф创妤犵偞甯¢獮瀣倻閸℃﹩妫у┑锛勫亼閸婃牜鏁悙鍝勭獥闁归偊鍠氶惌娆忊攽閻樺弶澶勯柛瀣姍閺岋綁濮€閵忊剝姣勯柡浣哥墦濮婄粯鎷呯粙鎸庡€┑鐘灪閿曘垹鐣烽娑橆嚤閻庢稒锚娴滎垶姊洪崨濠勭畵濠殿垵椴搁幆鏃堝閿涘嫮肖婵$偑鍊栭崝妤呭窗鎼淬垻顩插Δ锝呭暞閻撴盯鏌涢妷锝呭闁汇劍鍨块弻锝夋偄閸欏鐝旈梺瀹犳椤︾敻鐛Ο鑲╃闁绘ê宕銏′繆閻愵亜鈧牕煤濠靛棌鏋嶉柡鍥╁亶缂傛岸鐓崶銊р槈鐎瑰憡绻冮妵鍕箻濡も偓閸燁垶顢欓敓锟�20婵犲痉鏉库偓妤佹叏閻戣棄纾婚柣妯款嚙缁犲灚銇勮箛鎾搭棡妞ゎ偅娲樼换婵嬫濞戝崬鍓扮紓浣哄У閸ㄥ潡寮婚妶鍡樺弿闁归偊鍏橀崑鎾澄旈埀顒勫煝閺冨牆顫呴柣妯烘閹虫捇銈导鏉戠闁冲搫锕ラ敍鍛磽閸屾瑧顦︽い锔诲灦椤㈡岸顢橀姀鐘靛姦濡炪倖宸婚崑鎾寸節閳ь剟鏌嗗鍛紱闂佺粯姊婚崢褔寮告笟鈧弻鏇㈠醇濠垫劖效闂佺ǹ楠哥粔褰掑蓟濞戙垹鍗抽柕濞垮劚椤晠姊烘导娆戠暠缂傚秴锕獮鍐ㄎ旈崘鈺佹瀭闂佸憡娲﹂崣搴ㄥ汲閿熺姵鈷戦柛婵嗗椤ユ垿鏌涚€n偅宕屾慨濠冩そ瀹曨偊宕熼崹顐嵮囨⒑閸涘﹥鈷愰柣妤冨█楠炲啴鏁撻悩铏珫闂佸憡娲﹂崜娆撴偟娴煎瓨鈷戦梻鍫熺〒缁犳岸鏌涢幘瀵哥疄闁诡喒鈧枼鏋庨柟閭﹀枤椤旀洘绻濋姀锝嗙【妞ゆ垵妫涚划鍫ュ焵椤掑嫭鍊垫繛鍫濈仢濞呭秹鏌¢埀顒勫础閻戝棗娈梺鍛婃处閸嬫帡宕ョ€n喗鐓曢柡鍥ュ妼楠炴ɑ淇婇崣澶婄伌婵﹥妞藉畷顐﹀礋椤愮喎浜惧ù鐘差儜缂嶆牕顭跨捄鐑樻拱闁稿繑绮撻弻娑㈩敃閿濆棛顦ㄩ梺鍝勬媼閸撶喖骞冨鈧幃娆撴濞戞顥氱紓鍌欒兌婵數鏁垾鎰佹綎濠电姵鑹鹃悙濠囨煥濠靛棙鍣稿瑙勬礋濮婃椽鎳¢妶鍛€惧┑鐐插级閸ㄥ潡骞婂Δ鍐╁磯閻炴稈鍓濋悘渚€姊虹涵鍛涧闂傚嫬瀚板畷鏇㈠箣閿旇棄鈧敻鏌ㄥ┑鍡涱€楁鐐瘁缚缁辨帡鎮╁畷鍥р拰闂佸搫澶囬崜婵嗩嚗閸曨偀妲堟繛鍡楁禋娴硷拷
王书田, 林岩, 朱国庆, 闫叶金
大连海事大学 航运经济与管理学院, 辽宁 大连 116026
收稿日期:2022-03-01
基金项目:国家自然科学基金资助项目(72271037)。
作者简介:王书田(1993-),女,山东聊城人,大连海事大学博士研究生; 林岩(1972-),男,山东济宁人,大连海事大学教授,博士生导师。

摘要:使用情感分析算法获取在线评论的效价,并应用前景理论和熵值法对在线评论的效价进行调整,结合评论数量和网络搜索数据,建立了自回归分布滞后模型,并对不同价位档次汽车销量进行预测分析.研究发现,考虑了消费者受负面信息影响的在线评论的效价、数量和网络搜索数据的模型预测效果优于传统模型,更符合实际情况,但对不同价位档次汽车预测效果存在差异,低档汽车销量预测效果最佳,其次是中档汽车,最后为高档汽车.
关键词:在线评论情感分析网络搜索销量预测自回归分布滞后模型
Research on Car Sales Prediction Based on Online Reviews and Internet Search
WANG Shu-tian, LIN Yan, ZHU Guo-qing, YAN Ye-jin
School of Maritime Economics and Management, Dalian Maritime University, Dalian 116026, China
Corresponding author: LIN Yan, E-mail: linyan@dlum.edu.cn.

Abstract: The emotion analysis algorithm is used to obtain the valence of online reviews, and the prospect theory and entropy method are used to adjust the valence of online reviews. Combined with the volume of reviews and Internet search data, an autoregressive distributed lag model is established to predict and analyze the sales volume of cars in different price levels. It is shown that the prediction effect of the model, which takes into account the valence, volume of online reviews and Internet search data affected by negative information, is better than that of the traditional model and more consistent with actual situations. However, there are differences in the prediction effect for cars of different price levels. The sales prediction of low-end cars is the best, followed by mid-range cars, and finally high-end cars.
Key words: online reviewssentiment analysisInternet searchsales forecastingautoregressive distribution lag model
随着科技的快速发展,互联网作为消费者购买决策过程中的外部搜索媒介发挥着重要作用.互联网上海量的在线评论信息和搜索数据已经成为了解市场购买需求的宝贵资源,这些信息不仅影响了消费者的购买决策,还为企业准确预测产品销量、制定营销策略提供了思路.
网络搜索数据在一定程度反映了用户对某种产品的关注程度.尤其消费者对高介入产品做出购买决策时,通常会进行广泛的信息搜索,在决策过程中参考相关信息,减少对该产品的不确定性,以避免经济损失[1].网络搜索数据构成了一种潜在的有用的数据源,引起了诸多****的研究兴趣,并被广泛地应用在许多领域的预测研究中,如百度指数或谷歌趋势来预测旅游需求[2]、酒店入住数量[3]、股票价格走势[4]、汽车市场份额[5]等.网络搜索数据是对用户搜索需求的客观记录,能够映射用户实际生活中的行为特点,可以作为传统数据的良好补充来实现对市场需求的预测.但网络搜索数据只代表消费者对产品的兴趣水平,并不能反映消费者对产品的好恶,搜索量的增加可能由于喜好,也可能缘于厌恶,因此不能准确反映消费者购买意向.
社交媒体平台的在线评论信息,反映了消费者的观点、态度和情绪,也是影响消费者购买决策的重要因素之一.随着互联网的发展,社交媒体平台产生的在线评论信息逐渐海量、类型丰富、生成迅速,具有较高的研究价值.诸多****从在线评论的数量和效价对销售绩效的影响和预测价值进行研究,研究范围涉及电影[6]、音乐[7]、酒店[8]、数字产品[9]等不同领域.经对现有研究梳理发现,在线评论的效价和数量在一定程度上可以预测产品销售,但仍然处在探索阶段,且多数****主要关注低介入产品的研究;此外,现有研究多以产品评论星级或评分来衡量在线评论的效价[10],评论星级或评分高代表正面评论,反之为负面评论.然而,评论星级或评分可能不能准确代表消费者的整体感知[11],应用情感分析技术分析在线评论的内容逐渐成为一种趋势.但是,现有研究中在度量评论效价时,很少考虑正面评论和负面评论对消费者影响的不对称性.实际上,消费者的购买过程可以视为风险决策,在决策中表现出有限理性[12],会倾向于将在线评论中的负面信息视为更有用的信息.
基于现有研究的不足,本文以网络用户在信息搜集和消费者购买决策过程中留下的真实数据为研究基础,以我国汽车销售市场为研究背景,采用情感分析算法与前景理论获得在线评论的效价,并结合网络搜索数据,使用自回归分布滞后(autoregressive distributed lag,ARDL)模型对不同价位汽车销量进行预测研究.由于汽车产品属性复杂且要求较大资金投入,是典型的高介入产品,消费者在购买汽车时会对汽车产品各种属性进行仔细考察和评估,可以揭示互联网大数据对线下汽车销量的预测效力.
1 研究设计1.1 样本与数据本文以2016.01—2020.01作为时间窗,选取轩逸、奥迪A4L、奥迪A6L三种车型作为研究样本.本文所选取的三种车型月销量均超过5 000辆,轩逸、奥迪A4L、奥迪A6L汽车价位分别在9.98~14.30万元、30.58~39.68万元、41.98~65.38万元,位居不同级别人气排行榜TOP5,可作为低、中、高档汽车的典型代表.
本文从三个维度建立汽车销量预测的特征体系.第一类为消费者在线行为特征,包括在线评论的效价、评论数量;第二类为消费者搜索行为特征,包括百度指数;第三类为宏观经济特征,包括国内生产总值(GDP)、钢铁产量、汽油价格.通过相关性分析,验证了选定的特征与实际汽车销量具有相关性.相关性检验结果见表 1.
表 1(Table 1)
表 1 关键变量相关性检验结果Table 1 Correlation test results of key variables
变量 与低档汽车销量的相关系数 与中档汽车销量的相关系数 与高档汽车销量的相关系数
评论效价 0.131 1** -0.263 6** 0.088 2
评论数量 0.184 1** 0.282 7** 0.194 3*
百度指数 0.166 2* 0.196 6* -0.424 1**
GDP 0.647 6*** 0.427 5** 0.201 9*
钢铁产量 0.412 9*** 0.093 9* 0.088 7
汽油价格 0.433 3*** 0.451 4** 0.038 3
注:***表示P < 0.001;**表示P < 0.01;*表示P < 0.05.


表 1 关键变量相关性检验结果 Table 1 Correlation test results of key variables

本文从以下渠道获取主要研究数据:
1) 每月汽车销量来自搜狐网站汽车频道,该平台的销量数据来自于中国汽车工业协会的月度汽车市场报告.
2) 在线评论来自汽车之家在线口碑频道,汽车之家作为汽车新媒体平台,是提供信息最快最全的中国汽车网站.本文使用数据挖掘技术从汽车之家口碑频道爬取三种不同价位档次汽车2016.01—2020.01在线评论详细信息,包括其用户、时间、内容,如图 1所示.通过数据清洗处理,最终获取轩逸、奥迪A4L、奥迪A6L汽车在线评论数量分别为4 349,1 330,1 209条.通过抓取每月累计的在线评论数量作为测量在线评论数量的指标;通过情感分析算法、前景理论和熵值法获取每月在线评论的情感得分,作为测量在线评论效价的指标,详见1.2节.
图 1(Fig. 1)
图 1 汽车之家口碑频道用户在线评论信息Fig.1 User online review information of Autohome word-of-mouth channel

3) 网络搜索数据来自百度指数网站,百度搜索引擎是中国互联网用户最常用的搜索引擎之一,占据国内市场82.99%,是全球最大的中文搜索引擎.本文根据相关汽车关键词搜索量,以月为单位,采用合并抓取具体车型的相关关键词百度指数的每月整体日均值.
4) 宏观经济数据来自国家数据局,以月为单位获取相关数据.根据文献参考和实验,最终选取3个经济指标:GDP、钢铁产量、汽油价格.这些变量反映了国民经济状况以及居民的收入水平和消费能力,与汽车销售有很高的相关性.相关数据描述性统计分析见表 2.
表 2(Table 2)
表 2 相关数据描述性统计分析Table 2 Descriptive statistical analysis of relevant data
变量 变量描述 均值 标准差 最大值 最小值
S1/辆 轩逸汽车每月销量 35 703.69 10 061.14 54 348 6 009
S2/辆 奥迪A4L汽车每月销量 11 485.2 3 641.28 20 908 2 287
S3/辆 奥迪A6L汽车每月销量 11 642.94 2 814.33 16 854 6 178
W1 轩逸汽车在线评论的效价 0.29 0.12 0.59 0.07
W2 奥迪A4L汽车在线评论的效价 0.36 0.06 0.51 0.2
W3 奥迪A6L汽车在线评论的效价 0.39 0.11 0.58 0.06
V1/条 轩逸汽车在线评论的数量 88.76 143.78 734 12
V2/条 奥迪A4L汽车在线评论的数量 27.14 9.04 53 12
V3/条 奥迪A6L汽车在线评论的数量 19.73 10.32 49 6
I1 轩逸汽车百度指数的每月整体日均值 12 824.37 1 819.62 17 603 9 738
I2 奥迪A4L汽车百度指数的每月整体日均值 7 910.12 963.58 10 028 5 906
I3 奥迪A6L汽车百度指数的每月整体日均值 7 289.49 2 457.37 17 546 4 923
Psteel/万t 每月钢铁产量 9 488.65 744.92 10 740.3 7 951.4
GDP/亿元 每月国内生产总值 72 552.12 10 106.07 94 186.07 51 445.77
Pgas/(元·L-1) 每月92#汽油平均价格 6.57 0.61 7.85 5.26


表 2 相关数据描述性统计分析 Table 2 Descriptive statistical analysis of relevant data

1.2 在线评论的效价计算过程1.2.1 将在线评论文本信息转换为情感得分本文采用基于词典的情感分析算法,将在线评论文本信息转化为情感得分[13].该算法通常考虑三种类型的词典:情感词词典、程度副词词典和否定词词典.首先,参考‘知网词典’,根据产品的不同属性,考虑到相同的情感词可能表达的情感倾向不同,分别构造了不同情感词词典.例如油耗“高”表示消极,“低”表示积极;而性价比“高”表示积极,“低”表示消极.其次,将程度副词分成5个层次,并构造相应的程度副词词典,见表 3.最后,建立情感词前的否定词词典.
表 3(Table 3)
表 3 程度副词词典Table 3 Dictionary of degree adverbs
层次 类别 程度系数
Dmost 绝对、极其…… 1.8
Dvery 更、更加…… 1.5
Dmore 颇、多、可…… 1.2
Dins 稍微、一点…… 0.5
Dinv 不、非…… -1
注:DmostDveryDmoreDinsDinv表示程度副词由高到低的5个层次.


表 3 程度副词词典 Table 3 Dictionary of degree adverbs

本文中使用结巴分词对在线评论文本进行分词,根据情感词典提取在线评论中的情感词,识别每个情感词的极性,积极的情感词赋1分,消极的情感词赋-1分.根据情感词前的程度副词和否定词,确定每个情感词得分;最后,将每条在线评论的情感词得分相加,除以在线评论中情感词数量,获得每条在线评论的情感得分stkii表示属性,t表示时期,本文采用月度数据,k表示第k条在线评论.情感得分计算的伪代码见表 4.
表 4(Table 4)
表 4 情感得分计算的伪代码Table 4 Pseudo code of emotion score calculation
输入: 在线评论语句Rtki.
输出: 情感得分stki.
1:Input online review sentence(Rtki)
2: ??Ωtki={ωtki(1), ωtki(2), …, ωtki(q)}←通过结巴分词算法将在线评论语句Rtki分成q个单词
3: ??current←0;last←0;value←0;count←0
4: ??for i(1)=1→q do
5: ????if ωtki(i(1))∩Di+≠? then
6: ??????polarity←1;current←i(1)
7: ????else if ωtki(i(1))∩Di-≠? then
8: ??????polarity←-1;current←i(1)
9: ????else
10: ??????continue
11: ????end if
12: ????for j(1)=current→last do
13: ??????if ωtki(j(1))∩Dmost≠? then
14: ????????value←value+polarity×1.8
15: ??????else if ωtki(j(1))∩Dvery≠? then
16: ????????value←value+polarity×1.5
17: ??????else if ωtki(j(1))∩Dmore≠? then
18: ????????value←value+polarity×1.2
19: ??????else if ωtki(j(1))∩Dins≠? then
20: ????????value←value+polarity×0.5
21: ??????else if ωtki(j(1))∩Dinv≠? then
22: ????????value←value+polarity×(-1.0)
23: ??????end if
24: ????end for
25: ????last←current; count←count+1
26: ??end for
27: ??if count=0 then
28: ????stki←0
29: ??else
30: ????stki←value/count
31: ??end if
32: return stki
33: end
注:Rtki表示在时段t(t=1, 2, …,T)时,关于第i个属性的第k个在线评论语句;stki表示对应的情感得分;Ωtki={ωtki(1), ωtki(2), …, ωtki(q)}表示从在线评论句子中提取出来的单词列表,q是单词数;current,last,value,count分别指“情感词的当前位置”、“情感词的最后位置”、“在线评论的累计情感得分”、“情感词的数量”; i(1)j(1)和polarity是中间变量.


表 4 情感得分计算的伪代码 Table 4 Pseudo code of emotion score calculation

1.2.2 结合前景理论计算每个属性的情感得分消费者通过社交媒体平台的在线评论决定选择商品的过程可以被视为一种风险决策.相对产品的正面评价而言,消费者可能会更关心产品的负面评价,即存在一种负面偏见.前景理论中的风险厌恶原则解释了这种现象:人们对潜在损失的感知比收益更敏感.因此,为了充分反映消费者心理因素,使预测更加准确,引入前景理论[14]来调整产品第i个属性在t时期第k条在线评论的情感得分νtki
(1)
其中:αβ表示函数的凹凸程度,并分别表示顾客对收益和损失的态度,0 < α < 1,0 < β < 1;λ表示损失厌恶程度,λ越大表示损失厌恶程度越高,λ>1.一般情况下,αβλ的值是由实验确定的,根据文献[15]的参数数据,α=β=0.88,λ=2.25.
1.2.3 根据熵值法计算产品每个周期的情感得分在线评论内容包括空间、动力、操控、油耗、舒适性、外观、内饰、性价比8个属性,本文采用熵值法来计算各属性的权重,确定用户在线评论的效价,根据各属性情感得分的变化来计算各属性的权重.熵值法能有效地避免主观因素造成的偏差,使获取的属性权重更加客观,为多属性综合评价提供依据[16].其确定属性权重步骤如下:
1) 对数据进行预处理.为了避免偏差,本文使用规范化方法,对数据进行标准化处理, 得到新序列fit
(2)
(3)
式中:Zit为第i个属性在t时期的情感得分;Nt表示在t时期的在线评论的数量.
2) 计算各属性的信息熵.T表示时期的总数量,Ei为第i个属性的信息熵.
(4)
(5)
如果pit=0,则pit表示第t时期第i个属性所占指标的比例.
3) 确定各属性的权重.b表示属性的数量,δi为第i个属性的权重(i=1, 2, …, b).
(6)
1.2.4 计算最终情感得分根据计算出来的属性权重,以及各属性在t时期的情感得分Zit,计算产品在t时期的最终情感得分Wt,即在线评论的效价.
(7)
2 实证分析及结果2.1 模型构建由于本文选取的样本为时间序列数据,且样本量较小,适合采用ARDL模型[17]进行实证研究.ARDL模型是指自回归分布滞后模型,它具有以下几点优势:①不要求变量同阶单整,可以直接将I(0)和I(1)纳入模型分析;②当解释变量为内生变量时,ARDL模型估计也不会受到影响;③在小样本的情况下ARDL模型估计更稳定、更高效.本文建立计量模型如下:
(8)
其中:因变量S为每月汽车销量,自变量WVI分别表示每月在线评论的效价、在线评论的数量、百度指数,反映了消费者的在线行为和搜索行为特征;GDP,PsteelPgas为控制变量,分别表示每月国内生产总值、钢铁产量、汽油价格,反映了宏观经济特征;m为自回归阶数,n1~n6为解释变量滞后阶数;i表示滞后期数;α0为常数项;εt为误差项;Δ表示取差分.
2.2 平稳性检验在使用ARDL模型之前,首先进行平稳性检验.ARDL(mn)模型要求建模数据序列必须为0阶单整或1阶单整.由表 5单位根检验结果可知,每个变量在I(0)或I(1)水平上平稳显著,表明该时间序列数据符合ARDL模型的建模要求.
表 5(Table 5)
表 5 单位根检验结果Table 5 Unit root test results
模型变量 低档汽车 中档汽车 高档汽车
水平ADF值 差分ADF值 结论 水平ADF值 差分ADF值 结论 水平ADF值 差分ADF值 结论
ln(S) -4.88*** -6.94*** I(0) -1.28 -8.43*** I(1) -4.81*** -11.68*** I(0)
W -1.92 -11.50*** I(1) -6.93*** -6.78*** I(0) -5.91** -6.71*** I(0)
ln(V) -2.56 -4.93*** I(1) -4.40*** -9.82** I(0) -2.86** -8.06*** I(0)
ln(I) -3.38** -9.74*** I(0) -3.96*** -5.57*** I(0) -3.81*** -8.48*** I(0)
ln(GDP) -2.09 -9.35*** I(1) -2.09 -9.35*** I(1) -2.09 -9.35*** I(1)
ln(Psteel) 0.07 -2.76* I(1) 0.07 -2.76* I(1) 0.07 -2.76* I(1)
ln(Pgas) -1.75 -7.12*** I(1) -1.75 -7.13** I(1) -1.75 -7.13** I(1)
注:I(0)表示0阶差分,I(1)表示1阶差分;ADF为增强迪克-福勒检验(augmented Dickey-Fuller, ADF).


表 5 单位根检验结果 Table 5 Unit root test results

2.3 边界协整检验边界协整检验是分析各变量之间是否存在长期协整关系.通过综合考虑模型稳定性、模型拟合优度、序列相关性和系数显著性等因素,基于赤池信息准则和施瓦兹准则来确定滞后期.轩逸、奥迪A4L、奥迪A6L的ARDL模型分别将表 5中各变量的滞后阶数(2, 3, 4, 4, 2, 2, 4),(3, 4, 3, 4, 4, 3, 4),(1, 0, 1, 0, 4, 2, 0)作为本研究的基准规范.如表 6所示,所有计算出的F值均大于1%水平的上限临界值,证明了各变量之间存在长期协整关系.
表 6(Table 6)
表 6 边界协整检验结果Table 6 Boundary co-integration test results
车型 F 5%的显著性水平 1%的显著性水平
I(0) I(1) I(0) I(1)
低档汽车 6.830 5 2.45 3.61 3.15 4.43
中档汽车 6.281 3 2.45 3.61 3.15 4.43
高档汽车 6.655 5 2.45 3.61 3.15 4.43


表 6 边界协整检验结果 Table 6 Boundary co-integration test results

2.4 Granger因果检验Granger因果检验是检验一个变量对另一个变量是否有预测能力.表 7为Granger检验结果,整体而言,仅存在W,ln(V),ln(I)与ln(S)间的单向Granger因果关系,这说明了在线评论的效价、数量、网络搜索数据对汽车销量具有预测作用.
表 7(Table 7)
表 7 Granger因果检验结果Table 7 Granger causality test results
原假设 滞后期 低档汽车 中档汽车 高档汽车
F p F p F p
W不是ln(S)的Granger原因 2 2.575 2 0.048 1 2.056 0 0.045 5 1.962 3 0.083 2
ln(S)不是W的Granger原因 2 1.789 1 0.179 6 3.885 4 0.054 9 0.183 6 0.832 9
ln(V)不是ln(S)的Granger原因 3 1.316 3 0.00 8 2.364 9 0.047 8 1.851 7 0.083 8
ln(S)不是ln(V)的Granger原因 3 0.251 7 0.282 8 2.944 6 0.054 7 0.706 8 0.553 7
ln(I)不是ln(S)的Granger原因 3 1.172 7 0.033 9 2.402 3 0.042 2 2.198 4 0.103 6
ln(S)不是ln(I)的Granger原因 3 0.925 2 0.460 1 1.327 4 0.279 3 0.142 9 0.867 3


表 7 Granger因果检验结果 Table 7 Granger causality test results

2.5 模型诊断检验和稳定性检验表 8为各个模型的诊断检验结果,显示模型通过了序列相关性检验、异方差检验、函数形式检验和正态性检验,即各模型设定恰当.为了检验各模型参数的稳定性,进行了CUSUM和CUSUMSQ检验,结果如图 2所示.其中,图中虚线为5%显著性水平的临界区域.从图中可以看出,CUSUM和CUSUMSQ的结果都在5%的显著性水平的边界范围内,表明所建的ARDL模型成立,可以用于实际数据的预测分析.
表 8(Table 8)
表 8 模型诊断检验Table 8 Model diagnostic tests
车型 检验值 序列相关性检验 异方差检验 函数形式检验 正态性检验
低档汽车 χ2 0.422 9 0.310 4 1.852 6 0.778 9
P 0.664 5 0.664 5 0.199 0 0.677 4
中档汽车 χ2 0.005 9 0.361 4 1.495 5 0.118 7
P 0.940 0 0.551 2 0.252 4 0.942 3
高档汽车 χ2 2.018 2 0.154 0 6.800 3 1.292 2
P 0.939 7 0.399 8 0.120 9 0.524 0


表 8 模型诊断检验 Table 8 Model diagnostic tests

图 2(Fig. 2)
图 2 不同类型汽车的CUSUM和CUSUMSQ检验Fig.2 CUSUM and CUSUMSQ tests for different types of cars (a)—低档汽车,CUSUM检验;(b)—低档汽车,CUSUMSQ检验;(c)—中档汽车,CUSUM检验;(d)—中档汽车,CUSUMSQ检验;(e)—高档汽车,CUSUM检验;(f)—高档汽车,CUSUMSQ检验.

2.6 预测本文以2016.01—2019.10的数据作为训练集用于构建模型,2019.11—2020.01的数据作为测试集用于检验预测效果.样本内预测显著并不代表样本外预测显著[18].为了显示预测性能,本文使用上述模型分别对三种车型汽车销量进行样本外预测.同时计算了平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE),以比较预测精度.
图 3所示,在整个期间内,轩逸和奥迪A4L汽车销量预测效果远超奥迪A6L,说明上述模型对低、中档汽车预测效果要大于高档汽车的预测效果.进一步进行样本外预测,结果如表 9所示.
图 3(Fig. 3)
图 3 不同类型汽车销量实际值与预测值对比图Fig.3 Comparison between actual and predicted sales for different types of cars (a)—低档汽车(轩逸);(b)—中档汽车(奥迪A4L);(c)—高档汽车(奥迪A6L).

表 9(Table 9)
表 9 样本外预测结果Table 9 Out of sample prediction results
车型 预测期间 实际值 预测值 误差/% MAE RMSE MAPE
2019.11 10.903 2 10.944 5 0.38
轩逸 2019.12 10.889 8 11.259 7 3.28 0.138 2 0.214 8 1.269 8
2020.01 10.525 5 10.521 9 0.03
2019.11 9.244 3 10.576 0 14.41
奥迪A4L 2019.12 9.571 6 9.532 0 0.41 0.381 2 0.568 9 3.970 6
2020.01 9.518 6 9.331 5 1.97
2019.11 9.732 3 9.265 3 5.04
奥迪A6L 2019.12 9.645 2 8.907 1 8.29 0.528 1 0.549 8 5.520 7
2020.01 9.228 6 8.849 2 4.29


表 9 样本外预测结果 Table 9 Out of sample prediction results

由MAE, RMSE和MAPE可以看出,低档汽车销量样本外预测效果最佳,其次是中档汽车,最后为高档汽车,与整个期间预测结果一致.
本文研究结果发现对不同价位档次汽车销量预测效力存在差异.这可能与产品固有的特性或消费者人群的特殊性有关[19].对于高档汽车,受众群体较小,购买过的消费者在汽车媒体平台分享的信息量较少.而低、中档汽车,受众群体较为广泛,从而生成更多的评论信息.与高档汽车相比,在线评论的预测价值对低、中档汽车更有效.
为了证明本文模型的预测精度,与其他模型进行比较:其中,ARDL+X模型为基准模型,外生变量只包括宏观经济指标;ARDL+X+S模型,外生变量包括经济指标和网络搜索数据;ARDL+X+S+W1模型,外生变量包括宏观经济数据、网络搜索数据、评论数量和未使用前景理论进行调整的效价;ARDL+X+S+W模型为本文模型,其中W为使用前景理论进行调整后的效价.由表 10可知,与基准模型相比,低、中、高档价位汽车平均预测精度分别提高了1.19%, 1.18%, 0.46%;与其他模型相比,本文设定的模型平均绝对百分比误差值最小,分别为1.269 8, 3.970 6, 5.520 7.实验结果表明,在小样本条件下,考虑了消费者受负面信息影响的在线评论的效价、数量和网络搜索数据的模型预测效果优于传统模型,更符合实际情况.
表 10(Table 10)
表 10 不同模型预测结果比较Table 10 Comparison of prediction results of different models
车型 模型 平均误差/% MAE RMSE MAPE
轩逸 ARDL+X+S+W(本文) 1.23 0.138 2 0.214 8 1.269 8
ARDL+X+S+W1 2.08 0.223 8 0.276 7 2.077 5
ARDL+X+S 2.01 0.215 4 0.232 3 2.012 8
ARDL+X 2.42 0.260 2 0.273 5 2.418 8
奥迪A4L ARDL+X+S+W(本文) 4.01 0.381 2 0.568 9 3.970 6
ARDL+X+S+W1 2.65 0.532 2 0.637 4 5.626
ARDL+X+S 5.06 0.595 3 0.701 4 6.287 5
ARDL+X 5.19 0.646 1 0.705 4 6.798 1
奥迪A6L ARDL+X+S+W(本文) 5.87 0.528 1 0.549 8 5.520 7
ARDL+X+S+W1 6.27 0.600 4 0.623 6 6.274 5
ARDL+X+S 6.71 0.639 4 0.648 5 6.705 6
ARDL+X 6.33 0.607 4 0.679 4 6.331 7


表 10 不同模型预测结果比较 Table 10 Comparison of prediction results of different models

3 结论1) 消费者在线行为特征和搜索行为特征对汽车销量具有一定的预测能力,结合在线评论的效价、数量和网络搜索数据的多变量模型预测效果优于传统模型,预测效果更加贴合实际.但是,对于不同价位档次汽车销量预测效果存在差异,低档汽车销量预测效果最佳,其次是中档汽车,最后为高档汽车.
2) 本文采用情感分析算法获取在线评论的效价,充分考虑消费者在做出购买决策时受负面信息的影响更大,应用前景理论对情感得分进行调整.同时,考虑汽车属于多属性产品,应用熵值法避免主观因素造成的偏差,保证了获取在线评论效价的客观性.
3) 在后续研究中可以考虑多源互联网大数据来扩展数据,如微博、微信、互联网论坛等,更加全面地获取消费者在线行为信息,进一步优化模型预测效果.
参考文献
[1] Laurent G, Kapferer J N. Measuring consumer involvement profiles[J]. Journal of Marketing Research, 1985, 22(1): 41-53. DOI:10.1177/002224378502200104
[2] Huang X, Zhang L, Ding Y. The Baidu index: uses in predicting tourism flows: a case study of the Forbidden City[J]. Tourism Management, 2017, 58: 301-306. DOI:10.1016/j.tourman.2016.03.015
[3] Rivera R. A dynamic linear model to forecast hotel registrations in Puerto Rico using Google trends data[J]. Tourism Management, 2016, 57: 12-20. DOI:10.1016/j.tourman.2016.04.008
[4] Hu H, Tang L, Zhang S, et al. Predicting the direction of stock markets using optimized neural networks with Google trends[J]. Neurocomputing, 2018, 285: 188-195. DOI:10.1016/j.neucom.2018.01.038
[5] 王炼, 宁一鉴, 贾建民. 基于网络搜索的销量与市场份额预测: 来自中国汽车市场的证据[J]. 管理工程学报, 2015, 29(4): 56-64.
(Wang Lian, Ning Yi-jian, Jia Jian-min. Predicting sales and market share with online search: evidence from Chinese automobile market[J]. Journal of Industrial Engineering and Engineering Management, 2015, 29(4): 56-64.)
[6] 马松岳, 许鑫. 基于评论情感分析的用户在线评价研究——以豆瓣网电影为例[J]. 图书情报工作, 2016, 60(10): 95-102.
(Ma Song-yue, Xu Xin. Study on user online evaluation based on sentiment analysis of comments: taking douban.com movie as an example[J]. Library and Information Service, 2016, 60(10): 95-102.)
[7] Eslami S P, Ghasemaghaei M. Effects of online review positiveness and review score inconsistency on sales: a comparison by product involvement[J]. Journal of Retailing and Consumer Services, 2018, 45: 74-80. DOI:10.1016/j.jretconser.2018.08.003
[8] 焦梦蕾, 赵涛, 徐勇, 等. 一种考虑文本UGC情感特征的消费者行为预测模型[J]. 情报理论与实践, 2019, 42(12): 139-143.
(Jiao Meng-lei, Zhao Tao, Xu Yong, et al. A consumer behavior prediction model on emotional feature of text UGC[J]. Information Theory & Application, 2019, 42(12): 139-143.)
[9] Gu B, Park J, Konana P. Research note—the impact of external word-of-mouth sources on retailer sales of high-involvement products[J]. Information Systems Research, 2012, 23(1): 182-196. DOI:10.1287/isre.1100.0343
[10] Blal I, Sturman M C. The differential effects of the quality and quantity of online reviews on hotel room sales[J]. Cornell Hospitality Quarterly, 2014, 55(4): 365-375. DOI:10.1177/1938965514533419
[11] Hou F, Li B, Chong A Y L, et al. Understanding and predicting what influence online product sales? a neural network approach[J]. Production Planning & Control, 2017, 28(11/12): 964-975.
[12] Bateman P J, Gray P H, Butler B S. Research note—the impact of community commitment on participation in online communities[J]. Information Systems Research, 2011, 22(4): 841-854. DOI:10.1287/isre.1090.0265
[13] Zhang C, Tian Y X, Fan L W. Improving the Bass model's predictive power through online reviews, search traffic and macroeconomic data[J]. Annals of Operations Research, 2020, 295(2): 881-922. DOI:10.1007/s10479-020-03716-3
[14] Sugden R, Starmer C, Schmidt U. Third-generation prospect theory[J]. Journal of Risk and Uncertainty, 2008, 36(3): 203-223. DOI:10.1007/s11166-008-9040-2
[15] Tversky A, Kahneman D. Advances in prospect theory: cumulative representation of uncertainty[J]. Journal of Risk and Uncertainty, 1992, 5(4): 297-323. DOI:10.1007/BF00122574
[16] Zou Z H, Yi Y, Sun J N. Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment[J]. Journal of Environmental Sciences, 2006, 18(5): 1020-1023. DOI:10.1016/S1001-0742(06)60032-6
[17] Pesaran M H, Shin Y, Smith R J. Bounds testing approaches to the analysis of level relationships[J]. Journal of Applied Econometrics, 2001, 16(3): 289-326. DOI:10.1002/jae.616
[18] Inoue A, Kilian L. In-sample or out-of-sample tests of predictability: which one should we use?[J]. Econometric Reviews, 2005, 23(4): 371-402.
[19] Zhu F, Zhang X. Impact of online consumer reviews on sales: the moderating role of product and consumer characteristics[J]. Journal of Marketing, 2010, 74(2): 133-148.

相关话题/

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
闂傚倷娴囧畷鐢稿窗閹邦優娲箣閿旇棄鈧潡鏌ㄩ弮鍌涙珪闁绘繆鍩栭幈銊ヮ渻鐠囪弓澹曢梻浣侯攰濞呮洟骞戦崶褏鏆︽慨妞诲亾妞ゃ垺妫冨畷鍗炍旈崘銊ョ闂傚倸鍊风粈渚€宕ョ€n亶鐔嗘慨妞诲亾鐎规洦鍨堕、鏇㈠閵忊剝顔曢梻渚€娼ч¨鈧┑鈥虫喘閸┿垽寮崼鐔哄幍闂佺顫夐崝鏇㈡儍濞差亝鐓熼柣鏃堫棑缁夋椽鏌熼鑲╃Ш鐎规洘鍎奸ˇ鏌ユ煃闁垮鈷愮紒缁樼箞閸┾偓妞ゆ帒瀚悞娲煕閹邦垱纭堕柣顓燁殔閳规垿鍩ラ崱妤冧化缂佺虎鍘奸悥鐓庣暦閹达箑绠婚悗闈涙憸閹虫繈姊洪柅鐐茶嫰婢ф挳鏌曢崱妤€鈧潡骞婇悙鍝勎ㄩ柨鏇楀亾闁告柨鎳樺娲捶椤撶偘澹曟繝鈷€鍐弰鐎规洘鍨块獮妯尖偓娑櫭鎾剁磽娴e湱鈽夋い鎴濇缁辩偞绻濋崘褏绠氬銈嗗姂閸婃洟銆傛總鍛婄厱闁宠桨绶ら崝鐔镐繆閸欏濮嶇€规洖缍婇、鏇㈡晲閸曨剙鏀┑鐘垫暩閸嬫稑螞濞嗘挸绠扮紒瀣氨閺嬪秹鏌ㄩ悢鍝勑i柛瀣剁悼閹茬ǹ顓奸崶锝呬壕婵ḿ鍘ч獮姗€鏌ゅú顏冩喚妞ゃ垺鐟╅幃娆擃敆娴gǹ濮庨梻鍌欑閹测剝绗熷Δ鍛偍闁绘挸瀵掗崵鏇㈡煕瑜庨〃鍡涙偂閵夛妇绠鹃柟瀵稿剱濞堟ɑ銇勯敂濂告缂佺粯绻堥崺鈧い鎺戝閺佸倿鏌涢埄鍐噭闁挎稑绻樺娲礈閼碱剙甯ラ梺鍝ュУ閻楁粓寮鈧獮搴ㄦ嚍閵夈儰鍖栭梻浣哥秺閸嬪﹪宕滃☉姘辩煋闁绘垶眉缁诲棝鏌熺紒妯虹瑨妞ゅ浚鍋婇弻鐔割槹鎼粹寬锝夋倵閻㈤潧甯堕柍璇查叄楠炲鎮崨顖氱哎
2濠电姷鏁搁崑鐐哄垂閸洖绠扮紒瀣紩濞差亜惟闁冲搫顑囩粙蹇涙⒑閸︻厼鍔嬫い銊ユ瀹曠敻鍩€椤掑嫭鈷戦柛娑橈工婵箑霉濠婂懎浠辩€规洘妞介弫鎾绘偐瀹曞洤骞橀梻浣告惈椤︻垶鎮樺┑瀣辈婵炲棙鍨熼崑鎾舵喆閸曨剛锛橀梺绋挎捣閺佸鐛崘鈺冾浄閻庯綆鍋掑Λ鍐ㄢ攽閻愭潙鐏︾痪鏉跨Ч楠炲濡堕崱娆戭啎闂佺懓顕崑鐐核夐弽顓熷仯濞撴艾锕﹂幃鍏间繆閸欏濮囬柍璇查叄楠炲洭宕滄担铏瑰幀濠电姷顣藉Σ鍛村垂闂堟稈鏋嶉柨婵嗘媼濞尖晠鏌曟繛鐐珕闁绘挸绻橀弻娑㈠焺閸愨晝顦ㄧ紓浣疯兌婢ф濡甸崟顖f晝闁靛繆鏅涢崜閬嶆⒑閹稿海鈯曢柛鏃€鐟╅悰顔锯偓锝庝簴閺嬪酣鎮橀悙鏉戠亰濠㈣娲樼换娑欐綇閸撗勫仹闁哄浜為埀顒侇問閸犳牠鎮樺┑瀣厴闁硅揪绠戠壕鍏肩箾閹达綁鍝洪柣锝囨櫕缁辨挻鎷呮搴ょ獥闂佺ǹ顑呴敃銈夘敋閿濆鏁嗛柍褜鍓熼崺銏℃償閳锯偓閺嬪酣鏌熺€电ǹ顎屾俊鍙夋尦濮婄粯鎷呴崨濠傛殘闂佽崵鍠嗛崕鐢稿极閸愵喖围闁告粈绀侀弲鐘崇節閻㈤潧校婵ǜ鍔岄悾鍨瑹閳ь剟骞冨Δ鍛棃婵炴垶鐟ラ弳鍫ユ⒑缁洘娅呴柛濠冪摃閻忓姊虹紒姗嗘當闁绘鍋ゅ畷妤咁敆閸屾粎锛滈柡澶婄墑閸斿海绮婚幘缁樼厓闁芥ê顦藉Ο鈧梺璇″枙缁瑥鐣疯ぐ鎺濇晝闁靛牆绻掗惌锟�547闂傚倸鍊风粈浣革耿闁秲鈧倹绂掔€n亞锛涢梺鐟板⒔缁垶鍩涢幒妤佺厱闁哄洦顨嗗▍鍛存煟韫囷絼閭柡宀嬬到铻栭悗锝庡亜椤忥拷4濠电姷鏁搁崑鐐哄垂閸洖绠扮紒瀣紩濞差亝鏅查柛銉㈡櫇椤︻垶姊洪悷閭﹀殶闁稿鍠栭崺銏ゅ籍閳ь剟濡甸崟顔剧杸闁规儳顕ˇ閬嶆⒑缁嬫鍎愰柟鐟版搐閻e嘲顫滈埀顒勩€侀弮鍫濆耿婵°倕鍟獮鎰版⒒閸屾瑧顦﹂柛姘儏椤灝顫滈埀顒€鐣烽鐑嗘晝闁靛繈鍨哄▓楣冩⒑闂堟侗妾у┑鈥虫喘閸┿垽寮崼鐔哄幍闂佺顫夐崝鏇㈡儍濞差亝鐓熼柣鏃堟敱鐠愶紕绱掓潏銊ョ瑲鐎垫澘瀚埀顒婄秵娴滅偞绂掗悡搴樻斀闁绘劘娉涚槐锕傛煕濡ゅ嫭鐝ǎ鍥э功閳ь剚绋掕摫濠殿垱鎸抽幃宄扳枎濞嗘垵鍩屾繛瀛樼矒缁犳牠寮诲☉銏犵疀闁稿繐鎽滈弫鏍⒑缁洘娅旂紒缁樼箞瀵鈽夊⿰鍛澑闂佹寧绻傞幊搴綖閳哄懏鈷戦柛娑橈功閹虫洜绱掓潏銊︾妤犵偛绻橀幃鈺冩嫚閼碱剦鍟嬮梻浣告啞娓氭宕归幎鍓垮洭鍩¢崨顔规嫼闁荤偞绋堥埀顒€鍘栨竟鏇㈡⒒娴e憡璐¢弸顏嗙磼閵娿劌浜圭紒顕呭幗瀵板嫰骞囬鐘插箻闂備礁鎼€氼剛鎹㈤幒鏃囧С闁圭ǹ绨烘禍婊堟煛閸ヮ煁顏堟倶閼碱兘鍋撳▓鍨珮闁稿锕ら锝囨崉鐞涒剝鐎婚梺璇″瀻閸忎勘鍊濆缁樻媴閻熼偊鍤嬬紓浣割儐閸ㄨ儻妫熷銈嗘尪閸ㄥ綊鎮為崹顐犱簻闁圭儤鍩婇弨濠氭倵濮樼偓瀚�40缂傚倸鍊搁崐椋庣矆娓氣偓钘濇い鏍ㄧ矌閻挾鈧娲栧ú銊х不閺冨牊鐓欓柟顖嗗苯娈堕梺宕囩帛濮婂綊骞堥妸銉建闁逞屽墰濞戠敻骞栨担鍛婄€柣搴秵娴滃爼鎮㈤崱娑欏仯闁搞儻绲洪崑鎾诲礂閸涱収妫滅紓鍌氬€峰ù鍥ㄣ仈閹间焦鍋¢柍鍝勬噹閽冪喓鈧厜鍋撻柛鏇ㄥ亞椤撴椽姊洪幐搴g畵婵炶尙濞€瀹曟垿骞樼紒妯诲劒闁荤喐鐟ョ€氼剟宕㈣ぐ鎺撯拺闁告繂瀚婵嬫煕鎼淬垹鐏╂俊鍙夊姇楗即宕奸悢鍝勫妇闂備胶纭堕崜婵喢洪弽顐ュС缂侇偄瀵梻鍌氬€风欢姘缚瑜嶈灋闁哄啫鍊婚惌鍡椕归敐鍫殙闁荤喐瀚堥弮鍫濆窛妞ゆ棁顫夌€垫牠姊绘担鍛婂暈濞撴碍顨婂畷銏ゆ寠婢跺棙鐎洪悗鍏夊亾闁告洦鍓涢崢閬嶆⒑閸濆嫬鏆為柟绋垮⒔婢规洟骞愭惔娑楃盎闂侀潧楠忕槐鏇€€傞懠顒傜<闁哄啫鍊搁弸娑欍亜閵忊剝绀嬮柟顔规櫊椤㈡洟锝為鐑嗘婵犵數鍋犻幓顏嗙礊閳ь剚銇勯銏╂█闁诡噯绻濋崺鈧い鎺戝閳锋帡鏌涚仦鎹愬闁逞屽厸缁瑩銆佸▎鎰瘈闁告洦鍓﹀ḿ鐔兼⒑閸撴彃浜濇繛鍙夌墱缁崵绱掑Ο闀愮盎闂佽宕樺▔娑㈩敁瀹€鍕厸濞达絽澹婇崕蹇斻亜椤撯剝纭堕柟椋庡█閸ㄩ箖宕楅崨顖涘瘻闂傚倷绶氶埀顒傚仜閼活垶宕㈤幖浣圭厾闁告劘灏欓崺锝呪攽閿涘嫭鏆柟顔界懇瀵爼骞嬮鐐搭啌濠电姵顔栭崰妤呮晝閳哄懎绀傛繛鎴炵椤洟鏌ㄥ┑鍡樺仾鐟滅増甯楅弲鏌ユ煕閳╁啰鎳呴柣鎾冲€搁—鍐Χ閸愩劎浠剧紒鐐緲缁夊墎鍒掗埡鍛亜缁炬媽椴搁弲婵嬫⒑闂堟稓澧曟繛璇х畵楠炲棝鏁愭径瀣ф嫼闂佸湱枪濞寸兘鍩ユ径瀣ㄤ簻闁挎棁顕у顕€鏌涢埞鎯т壕婵$偑鍊栫敮鎺楁晝閵壯€鍋撳鐐28缂傚倸鍊搁崐椋庢閿熺姴纾诲鑸靛姦閺佸鎲搁弮鍫㈠祦闁告劦鍠栫粻濠氭煕閹捐尙绐旈柍鐟扮箲缁绘繈濮€閿濆棛銆愬Δ妤婁簼閹稿啿鐣峰┑瀣窛閻庢稒岣块崢閬嶆⒑閸濆嫬鏆婇柛瀣尵缁辨帞鈧綆鍋呭畷宀€鈧鍣崑濠囧箖娴犲鍨傛い鎰╁灩楠炴垿姊绘担鍛婃儓婵炶绠戦~婵嬪Ω閳哄倸浠梺瀹犳〃鐠佹彃危閸儲鐓欓柣鎰靛墯缂嶆垿鏌熼崗鍏煎€愰柡灞界Х椤т線鏌涢幘鍗炲妤犵偛绻橀弫鎾绘晸閿燂拷1130缂傚倸鍊搁崐椋庣矆娓氣偓钘濇い鏍ㄧ矌閻捇鏌涢幘鑼槮闁搞劍绻堥弻銊╂偄閸濆嫅銏㈢磼閳ь剟宕掗悙瀵稿幈濠电偞鍨堕敃顐﹀绩缂佹ḿ绠鹃柛顐g箘閻掓悂鏌$仦绋垮⒉鐎垫澘瀚埀顒婄秵娴滄粓锝為崶顒佲拺闂侇偆鍋涢懟顖涙櫠椤曗偓閺屾稒绻濋崟顒€娈岄柧鑽ゅ仱閺屾洟宕煎┑鍥ь槱婵犳鍨伴妶鎼佸蓟閿濆绠i柣蹇旀た娴滄繄绮嬪澶婇唶闁哄洨鍠撻崢鎼佹⒑閸涘﹥绀嬫繛浣冲洦鍊堕柨婵嗘缁♀偓闂侀€炲苯澧撮柛鈺佸瀹曟ḿ鎹勯妸褏鍘┑鐘殿暯濡插懘宕归棃娑氭殾闂傚牊渚楅崯鍛節闂堟稓澧㈢痪鎹愭闇夐柨婵嗘瑜版帒姹查柡鍐ㄧ墛閻撳啰鎲稿⿰鍫濈婵炴垶纰嶉鑺ユ叏濡法鍫柍褜鍓欓崐鍧楀箠閻愬搫唯闁挎洍鍋撻柛鏂挎嚇濮婅櫣鎲撮崟顐㈠Б闂佸摜鍠庡ḿ锟犲箖閿熺姴鍗抽柣鎰У閻╊垶骞冭瀹曞ジ顢楅埀顒勫矗閺囩姷纾藉ù锝勭矙閸濊櫣绱掔拠鎻掓殭瀹€锝堟硶閹风娀宕i崒婊冩灁缂佽鲸甯掕灒闁绘垵娲ㄩ悾杈ㄣ亜椤撯剝纭堕柟鐟板閹煎綊宕滈幇鍓佺?缂佽鲸甯¢崹楣冨礃瀹割喕绱旈柣搴㈩問閸n噣宕戦崟顖氱厺閹兼番鍔岀粻娑欍亜閹捐泛啸闁宠鐭傚缁樻媴閻熼偊鍤嬬紓浣割儐閸ㄥ墎缂撴禒瀣睄闁稿本绮屽畷銉╂煟鎼淬垻鈯曞畝锝呮健閸┿垽寮崼鐔哄幗濠殿喗锕╅崜姘讹綖濠曞啯绻濋悽闈涗沪婵炲吋鐟╁畷銉р偓锝庡枟閸ゅ苯螖閿濆懎鏆欑紒鐘靛枛閺岀喖骞嗛悧鍫闂備浇锟ラ崐婵嬪蓟濞戙垹唯闁瑰瓨绻傞弳銏°亜閺傛妲搁柍瑙勫灴閹晛霉鐎n偓绱氶梻渚€娼ч悧鍡涘箠鎼淬劌鍑犳繛鍡樻尰閳锋垿鎮归崶锝傚亾閾忣偆浜栭梻浣告啞閺屻劍顨ラ幖浣哥厺闁规崘顕х粻锝夋煥閺冨倻鎽傛慨濠傛健濮婃椽鏌呴悙鑼跺濠⒀屽櫍瀵偊宕奸妷锔惧幈闁诲繒鍋涚敮鍝勵潩鐠鸿櫣锛涢梺鐟板⒔缁垶寮查幖浣圭叆闁绘洖鍊圭€氾拷