基于ARIMA模型的后疫情时代智能家居企业分析

摘 要：智能家居配饰行业作为一个前景广阔的新兴行业，其发展一直受到业内人士的高度重视。本研究项目基于“刺激-机体-反应”的模型，研究智能家居企业营销对消费者购买意愿的直接与间接影响，从消费心理学、个性化定制、认知度等视角对其做出相应的研究报告，力求研究各变量之间的关系和影响程度，从而确定如何针对疫情做出调整。文章从企业营销、产品影响、情感感受、利益感知等维度，结合新一代的消费观念和理念，制定明确的目标来进行有效的市场营销，并构造ARIMA模型进行市场前景预测。

关键词：AR时间序列;刺激反映模型;动态规划

中图分类号：F22;F713.55文献标识码：A 文章编号：1005-6432（2022）11-0103-04

DOI：10.13939/j.cnki.zgsc.2022.11.103

1 引言

智能家居主要是以现有的房屋设备为基础，通过集成网络布线、互联网通信、安全风险预警、自动控制、传感器、语音视频、人体工程等诸多方面的科学技术，将现代社会生活中家电设备和物业系统进行有效集成，以实现高效且现代化的住房设施建设和家庭日程事项管理，从而让家更安全、更方便，既环保又节能。由于居民生活水平以及消费能力的提高，空间的珍贵，新需求的增长和信息技术的发展会引起社会的巨大变化，越来越多的人开始偏爱智能家居。

2016年中国家居行业市场研究报告网（CNBC）发布2019年中国国内智能家居行业发展市场分析现状研究及未来发展趋势研究分析报告数据结果显示，这一行业在中国虽然刚刚起步，但是发展的速度是非常快的。

本文在一定程度上弥补了有关智能家居企业的营销方面在消费者购物意愿中产生的影响方面所存在的缺陷。基于对智能家居相关文献的梳理发现，相关研究大多数是从智能家居的功能性角度出发寻找解决途径，较少从消费者的视角出发进行研究和分析。本研究将社会支持和消费者需求与智能家居理论相结合，基于现有的智能家居存在的问题提出解决方法与对策。从消费者的视角出发并结合实际对智能家居的销售问题进行了研究，可以充实有关智能家居营销方面的文献。

2 背景分析

本研究在全面回顾相关文献的基础上，构建了以影响企业营销的因素为自变量，以影响消费者购买意愿的因素为变量，以心理距离为中介变量的“刺激性反应”模型。其中，影响企业营销的因素有三个：产品因素、服务因素和体验因素。心理距离因子由两个维度构成：情感感受和兴趣感知。从文献回顾的过程中可以发现，每个变量都有其内在的联系和逻辑。同时，结合智能家居产品的特点，比如智能家居产品实时采集和更新消费者生活方式数据，以及消费者对自身隐私和安全的考虑，这些都应该体现在公司的营销上。每个变量维度的具体含义如下。

第一，企业营销因素。企业在营销过程中控制和影响消费者的各种因素。

第二，产品影响因素。一般来说，影响产品质量的传统因素主要用来描述与其他产品相关的质量。在价格、设计、性能、包装、信息呈现等一系列与产品推广和功能相关的因素中，智能家居产品由于其特殊性，在产品要素设计的过程中可靠性和安全性都得到了提高。

第三，衡量因素。主要是指过程中的经验。除了传统研究中的购物环境体验，比如消费者在一系列类似场景中的体验，还包括消费者对产品功能的理解，比如消费者对智能家居周边体验厅的体验、现场操作样品等体验室装修综合体验活动，如物质语境、氛围、社会语境等，还包括智能家居产品体验。智能家居产品不同于普通家居产品，其在整个使用过程中始终处于动态更新的过程中。这里的更新是指数据本身带来的更新和智能家居产品带来的更新服务。消费者可以了解你的生活状态和你生活中的变化。

第四，服务因素。这主要是指产品的服务活动，如产品安装、调试、维修等后期服务，以及对整个产品、服务和企业的承诺，以确保他们能够为实际行动付出代价。

第五，心理距离。这是指以自身为研究中心，以外部营销环境为参照点的心理感受。它是人们在这个时间和地点的直接体验，以及对外部营销环境的理解所形成的主观体验。依靠逻辑和直觉及时创造心理材料或采取集体行动，实现人的情感和社会利益的全面统一，达到人的心理平衡的能力。

第六，情感感受。它意味着消费者的选择取决于消费者对情感的渴望，这种情感得到了消费者所渴望的情感、所选择的产品以及它所带来的社会价值等社会群体的认可和赞誉。

第七，利益感知。它主要是指可以用来描述产品或服务的各种功能和价值。功能价值是指产品或品牌具有一定的功能特性，能够满足消费者使用功能的目的。人们可以获得产品的功能价值和社会价值。它主要是指大企业对某一产品和信息服务的主观价值认知，不同于其他企业产品和信息服务的客观内在价值。

第八，消费者购买意愿。它是指消费者在做出购买决策时的主观意愿，即消费者购买智能家居产品的可能性和主观概率。

3 模型的建立研究

通过对国内外专家学者对企业营销因素、心理距离、企业消费者购买意愿等问题的深入分析，得出各领域营销的特点，以及影响企业营销和心理距离的因素。以心理距离为中介变量，对公司营销影响因素进行了研究。该项目的理论模型如图1所示。

3.1 财务分析及其报告的可视化

将后疫情时代下的销量数据可视化为柱状图，如图2所示。

3.2 通過AR时间序列模型对未来企业预测

3.2.1 数据的处理和分析技术具体实施

数据的处理与分析通过层次分析法找出影响智能家居发展的因素并对其进行各级指标分类。由于已知网络数据指标中的每个指标的单位不同，并且一些指标的值十分庞大，为消除变量间的量纲差异，进而进行标准化处理。

3.2.2 AR时间序列模型具体实施

针对本项目构造ARIMA模型，为确定时间序列是ABMA序列进行模型的识别与定阶，判断是AR（p）， MA（q）， ARMA（p，q）模型的类别，并估计阶数p，q。定阶模型后，对模型参数进行估计。完成参数估计后，进行检验，检验t、 ε是否确定为白噪声序列。

从而可得到未来一段时间内的智能家居预估走势。

3.2.3 卡方检验法具体实施思路

x2值代表了观测值与理论值之间的相对性和偏差。计算该偏离度的一个根本思路是以下内容。

（1）残差假定。首先可以将其设计为a分别代表某一种预测类别的宏观预测和期望观察偏差频数，e分别代表基于a和h0计算方法得出的期望预测值和期望观察频数，a与a和e之间的预测偏差函数叫作预测残差。

（2）显然，残差可以用来表示某一个类别的观测值和其他理论观测值的偏移程度，但如果把这个残差简单地加以来表示各个类别的观测频数和其期望值之间的差异，则存在一定的不足之处。因为这两条残差都是有正或者无负，相互乘积后会彼此得到抵消，总和仍然是0，为此可以在残差得到平方后进行求和。

（3）残差的预测大小同时也是一个具有相对性的预测概念，相对于实际预测中的期望期求频数大约为10时，预测中的期望期求频数大约为20的预测残差非常大，但是相对于实际预测中的期望期求频数大约为1000时20的预测残差就很小。鉴于此，把两个残差中的平方部分去掉，用余部分进行乘积后求和，以便于估算并得出所需要观测到的频数和实际预期观测频数之间的细微差异。

经过上述几个步骤和计算操作之后，就可以得到常用的皮亚森χ2统计和测量，由于它最初估计是由来自英国的著名统计学家卡尔·皮亚森在1900年首次通过发明和研究提出的，因此也有人将其称为皮亚森χ2，其有关统计和测量的基本计算公式如下：

文中，Ai是低于i-平均水平的长期预测频数以及固定观察概率的频数，Ei是低于i-平均水平的短期预测的频数和固定期望观察到的频数，n是总观察频数，Pi是高于i-平均水平的长期预测的观察频率和固定期望的观察频率。i是水平单位期望速度频数，Ei和n等于总期望频数i=n×ii是水平单位期望频度概率函数Pi，k为水平单位贝尔格林函数。

3.3 实销预测结果

笔者根据时间序列模型所预测的实销结果如图3所示。

4 结论及分析

4.1 后疫情时代下智能家居的建议及干预政策

一是辅助医疗生活技术，例如健康状态监控传感器和健身追溯仪，以及可与医学护理人员和医疗机构的专业人士进行视频交流的智能显示器;二是通过手机语音监视器来帮助使用者避免任何触摸到物体，比如智能照明灯具;三是可以是一种能够让人们保持一定距离的解决办法，例如手机上的视频和门铃;四是能够通过不断采取一些新的预防措施来有效控制当前的病毒疫情及未来防止病毒传播的防護装置，例如使用空气系统中的空气净化器;五是能够支撑聚合式功能和在多种领域服务于各类应用的高级科学家技术，比如 AI 和智能音箱;六是消费者还有“零接触”的自安装解决方案的兴趣至关重要。智能家居行业市场的供应商和服务提供者需要更多地专注于设备的安装流程，而实现“即插即用”型的解决方案。与此同时，伴随着保持人际社会距离的趋势，它们将必然地不得不针对其他严重依靠专业化安装服务（如智能恒温器和智能化门锁）的问题进行重新设计和规划的市场战略。

4.2 结论与分析

此次疫情所产生的另一个重大影响因素是，它将进一步加速现代社会中人们在如何改善自己的居家环境和健康等方面的积极性，与其他传统的解决方案相比，更智能化的解决方案将继续受到人们的青睐。也就是说，在家中等候的时间越长，越是需要注意如何保持自己的房间清洁，因此未来几年，人们必须在一些可能发生的情况下来改善自己所居住的环境。扫地机器人、空气净化器及其他很多具备相关的家庭清洗功能的产品都会点燃消费者的兴趣。如今，这些解决方案的优点和好处已经变得更加明显;对这一行业领域的市场参与者而言，关键是他们能够为其提供一种价格合理并且具备商务灵活性、支持分期付款等多种交易方式的解决办法，从而使其在所有的非必要交易支出均可以受到约束或限制。

参考文献：

[1]侯晶.订单农业的契约关系研究：基于行为经济学视角[M].北京：社会科学文献出版社，2020.

[2]邹玉莹.基于机器学习的票据转贴现利率预测研究[D].南昌：江西财经大学，2020.

[3]朱丽云 .基于Logistic模型的商业银行信用风险分析[J].品牌研究，2019，（19）：17-18.

[4]GUOSHUN MA， CHONGHUI MA. Evolutionary game analysis of campus credit strategy selection under incomplete information conditions[J]. Journal of world economic research，2020，9（1）.

[5]赵娇羽.商业银行信贷投放策略与风险防控措施[J].现代企业，2020（1）：100-101.

[作者简介]折远菲（1999—），女，汉族，就读于内蒙古大学，本科，工商管理专业。