农机工业(AI)综合指数的编制及发布

发布时间:2014-10-10

    AI综合指数是中国农机行业第一个行业指数,是《农业机械》杂志历时5年,跟踪各种行业数据、专家观点以及结合行业调查、数据模型预测等建立起的一套完整的行业指数,AI综合指数具有监测行业运行动态、预测行业走势的作用。
 
    1.指数名称由来及含义
 
    AI综合指数是由《农业机械》杂志发起、建立起来的一套系统化行业指数,AI是英文“Agriculture Industry”即“农机工业”的英文首字母缩写。AI综合指数反映的是农机行业的冷热程度,相当于农机行业景气指数,但又不完全相同。AI指数不但反映农机行业景气度走势,还具有前瞻性,对接下来的市场走势具有预判。
 
    从2012年8月开始,AI指数正式向行业公布,以后每月发布一次。发布内容,不但包含行业历史数据,即已经经过修正的符合历史发展事实的数据,还有此后全年的预测数据。如2012年8月发布的AI综合指数,其中7月及以前的数据,都是经过修正过的符合历史发展状况的数据,而8月及其以后的数据,就是预测数据。预测数据经过真实数据检验修正之后,形成实际数据。
 
    这里需要注意的是,AI综合指数并不是直接反应农机工业产值等具体数值的数据模型,它所反应的是一个行业的走势,即既定数据和预测数据,相当于社会生活中的消费者满意度指数和消费者预期指数。关于具体的数值预测结果,《农业机械》杂志数据研究中心有一套专用模型,即农机工业产业预测(AMIF)模型。当然,AI综合指数会调用部分AMIF预测数据。

    2.基日与基点
 
    AI综合指数是一套跟踪历史数据较长时间的系统数据,在选择基日和基点上,有一定难度。而且,2007—2009年的数据模型处于检验阶段,所以,当时选取数据的基点为100点,没有基日,即以100点为正常值,低于或高于100点为行业萧条和繁荣。
 
    但是,为了增加数据的有效性和可比性,AI综合指数的基日选择更加重要。综合数据显示,在进入21世纪以来的农机市场表现,以2004年、2007年和2009年为重大节点。因为,2004年国家开始实施农机购置补贴政策,带动大型拖拉机等市场火暴发展,但2004年前后的历史数据较为混乱,数据之间也多有矛盾。而2009年因为农机行业刚刚遇到金融危机复苏,整体表现也是较为火暴,但2009年到现在数据可参考性较少,参考价值较低。
 
    所以,选择2007年为基日(即将2007年AI综合指数的平均值转换成100点),因为2007年是国家大面积实施农机购置补贴的关键一年,也是表现较为平稳的一年,具有较高的参考价值。

    3.指数选样

    在编制AI指数的时候,指数样本的选取,即各种影响指标及权重的选择,是核心部分。所以,选取样本空间以及如何选取、选取哪些,各指标之间权重的分配等,均是影响数据有效性的关键因素。
 
    (1)样本空间。样本空间的选择主要为各种主要产品及其相关产业、各大农机企业及其重要经营指标。AI综合指数发布内容仅针对主要农机产品进行相关采样,但采样不限于各产品直接相关领域,还包括上下游产业链、购买力以及宏观经济等数据。
 
    (2)样本选择。根据样本空间的设定,我们选取主要农机产品作为样本,即大中型拖拉机、联合收割机、插秧机和农机具等。具体选择的样本及评价指标如表1所示。

1 AI综合指数参考样本及具体指标选择

一级指标

二级指标

AI综合指数

AI拖拉机(t

AI大型拖拉机

AI中型拖拉机

AI小型拖拉机

AI收割机(h

AI轮式自走收割机

AI履带全喂入收割机

AI履带半喂入收割机

AI玉米收获机

AI插秧机(p

AI手扶插秧机

AI乘坐高速插秧机

AI农机具(r

AI旋耕机

AI深松机

AI播种机

注:每个二级指标,均包含该产品相关的制造企业生产状况、上下游产业链活跃度、企业投资收益、用户投资收益、用户家庭收入、用户购买力调查等三级指标,因涉及数据模型核心,暂不公布具体三级指标及相应权重。

    4.指数计算与修正
 
    根据AI综合指数所选定的样本空间,将相应的样本进行分解成若干二级和三级指标,其中,三级指标又分若干相关影响因素,将相关数字化的影响因素,根据相关度,转化成相应具体指标的得分,再根据各三级指标的得分和权重,计算二级指标的得分,综合二级指标得分和权重,即可计算出AI综合指数。
 
    AI综合指数分实际数值和预测数值两部分。实际数值的来源,是根据行业和宏观经济及调查结果等实际数据而计算出的结果;而预测数值,则是根据当前及今后一段时期内相关影响因素的预测值计算出来的结果。
 
    AI综合指数的实际值都是一定的,都是由已经公告或者证实的数字计算而来的,具有较大的参考价值,有利于行业人员对行业动态的检测,甚至是自行预判。而AI综合指数预测值,则是根据《农业机械》杂志数据研究中心所掌握的数据及调查结果,进行的预判。预测数据及预测结果,我们有另外一套数据模型,即农机工业产业预测(AMIF)数据模型。
 
    所谓AI综合指数的修正,就是将预测值转化为实际值的过程。

    5.指数样本空间调整

    随着农机行业所处环境的不断变化,AI综合指数所选定的样本空间以及具体样本,都会进行调整,以增加数据模型的准确性。根据一个动态的数据库,将相关性不大的影响因素,剔除出样本,并加入影响较大的因素。
 
    如2007年以来,农机购置补贴政策多农机行业发展的影响程度,就会通过改变其权重来体现。而有些因素,如2008年前后出现大量“两用型”玉米小麦兼收联合收割机,如今该市场几乎为零,即已经将该影响因素剔除出数据库。当然,也有新加入的影响因素,如自2011年开始较为火暴的两行玉米收获机械市场,根据其市场影响力,已经给予了一定的权重。
 
    关于各AI细分指数的组成以及相关权重,因设计AI综合指数编制的核心,故这里并不做具体介绍。

    6.AI综合指数历史走势分析
 
    AI综合指数的编制,已经有5年多时间,此间进行了长达3年的数据验证以及相关影响因素的界定。从2007年开始,AI综合指数以测试状态运行,经过36个月的检测和对比,已经将主要样本选定,将影响因素较弱的相关指标,进行动态监测,但直到2009年末,AI综合指数的预测数值和实际数值,仍存在一定的误差。从2010年开始,AI综合指数已经将预测数值和实际数值误差减小到可以接受的范围。

    2007年在农机购置补贴的刺激下,农机市场呈现较高的繁荣度。2007年2月达到当年AI综合指数的峰值131.5点,随后出现下降但高位运行的态势,纵观2007年全年,整个农机市场均处于较为明显的繁荣状态,即使是最低点,AI综合指数也在110点以上,即2007年6月的112.2点。
 
    所以,2008年的高开局面就此写就。很多企业在2007年底已经预测到2008年开局走高的局面,所以进行了大量的铺货,一举赢得了较大的市场份额。但是,随着全球性金融危机的蔓延,加之补贴操作方式的改变,AI综合指数几乎呈现一路下跌的走势。其中,2008年出现AI综合指数编制以来的最低点,即2008年7月的99.8点,尽管由于“三秋”时拖拉机和玉米收获机械拉动有所反弹,但到了10月,AI综合指数再次下降到100点以下,处于萧条预警状态。
 
    随着2009年全球经济的复苏,农机市场也迎来了再一次的繁荣。从年初试探性的对市场的肯定,到销售旺季实际销量的大幅提升,标志着2009年农机工业实现了大复苏。2009年6月,AI综合指数当年首次超过120点,此后一直高位运行,标志着农机工业处于繁荣状态。
 
    在2007—2009年AI综合指数处于测试阶段的3年中,其实出现了不少预警点,非常值得行业进行研究。如2007年2月,首次出现AI综合指数超过130点,处于过度繁荣的状态,但之后几个月一直处于130点以下,说明市场运行比较理性;而到了2008年,开局即超过130点达到了135.8点的高位,而且此后连续3个月都超过了130点,处于过度繁荣的状态,这已经可以为行业发出“过度繁荣”的预警,提醒行业注意市场变化。
 
    进入2010年以来,随着经济形势的走低,尽管在收割机和拖拉机的强力拉动下,当年前几个月AI综合指数仍然在高位运行,但随着下半年货币政策的紧缩等金融政策的变动,AI综合指数逐渐走低,尽管在当年的11月出现明显的翘尾,但12月又大幅下降,昭示着2011年行业艰难一年的到来。
 
    2011年果然市场较为冷清,尽管玉米收获机械有了大幅增长,大型拖拉机和小麦联合收割机也有不同程度的增长,但权重较大的利润水平表现较弱,拉低了AI综合指数。2011年全年,除开局之外,几乎都是在偏冷之中走过。
 
    到了2012年,似乎行业形势更加严峻。AI综合指数在2012年4月降到了有历史记录以来的最低点95.1点,几乎处于“过冷”状态。尽管随着国内企业技术升级步伐的提升,不少新产品开始推向市场,玉米联合收获机械也呈现持续火暴的局面,但整体市场反弹程度有限,仍然处于挣扎状态。

    根据AI综合指数预测数据显示,到2012年10月时,AI综合指数能够恢复正常,但这并不意味着农机行业真的能够摆脱困境,因为从预测数据连续5个月处于100点上下来看,下半年的农机市场能够维持正常或有小幅上升,是较为理性的判断。
 
    但是,从AI综合指数预测数据来看,2013年可能会更为艰难,很有可能又会出现一个低开低走的局面。当然,这也未必是坏事,在经过2011年和2012年的行业升级压力后,不少企业已经掌握了一套市场突围路线,产业升级之路将在2013年最为艰苦的时节后,变得顺畅起来。

推荐阅读
更多