摘要：短视频内容产业作为数字经济的核心组成部分，近年来呈现爆发式增长，但其商业模式可持续性面临内容同质化、用户增长放缓、监管政策收紧等挑战。本文选取2018年1月至2023年12月的全国短视频行业月度核心指标数据，包括用户规模、广告收入、电商GMV、内容更新量等，建立模型，对未来12个月短视频产业的关键发展指标进行预测，并提出相关建议，为行业从业者与监管部门提供决策参考。

关键词：ARIMA模型；短视频产业；商业模式；可持续发展；预测

一、引言
（一）研究背景
2020年以来，新冠疫情加速了线下经济向线上迁移，短视频行业用户时长和商业变现能力大幅提升。截至2023年6月，我国短视频用户规模已达10.26亿，占网民总数的94.8%。然而，随着流量红利见顶、内容创作成本上升、平台监管趋严，行业增速明显放缓。与此同时，直播电商、短剧付费、本地生活服务等新商业模式快速崛起，为行业注入新动能。在如此复杂多变的市场环境中，研究短视频内容产业的商业模式及其可持续发展能力，对于行业健康运行具有重要现实意义。
（二）研究意义和目的
移动互联网普及之后，我国短视频产业经历了从工具型应用到内容生态平台、再到商业化基础设施的演进。根据中国互联网络信息中心公布的数据，近五年短视频用户渗透率虽保持高位，但年度增速从2019年的19.3%下降至2023年的6.8%，用户增长瓶颈显现。疫情过后，产业逐步从流量驱动转向效率驱动，本文通过历史数据对短视频产业的核心经营指标建立ARIMA模型，以预测未来一段时间内用户活跃度、广告收入及电商转化率等关键维度的变化趋势，为平台运营方、内容创作者及监管部门提供数据支撑和策略参考。

二、文献综述
在对短视频产业商业模式与可持续发展的研究文献中，学者一般采用时间序列预测模型、系统动力学模型、生命周期理论等对产业发展趋势进行分析。根据研究方法的不同，可以通过以下几种模型展开研究。
（一）ARIMA模型
ARIMA模型的基本思路是对原始时间序列进行平稳性检验和白噪声检验，若序列非平稳则进行差分处理，直至序列平稳且非白噪声，然后进行模型识别、参数估计、诊断检验和预测应用。王慧敏（2020）以2016年1月至2019年12月的短视频月度活跃用户数为训练集，建立ARIMA（2,1,3）模型，成功预测了未来6期用户增长趋势，发现用户增速呈现边际递减规律。刘思远等（2022）同样构建ARIMA（1,1,4）模型对我国短视频平台广告收入进行分析并预测2022—2023年行业广告规模，研究结果表明广告收入具有明显的季节性波动特征，Q4为全年峰值，且增速从年均35%逐步回落至15%左右。
（二）系统动力学模型
部分学者采用系统动力学模型对短视频产业生态进行模拟。陈卓（2021）构建了包括内容生产者、平台方、广告主与用户四方主体的系统动力学模型，对2018—2025年短视频产业的价值流转进行仿真分析，结果表明内容补贴效率每提升10%，生态可持续指数提升约6.3%，单纯依赖流量采买的增长模式将在2024年左右触及天花板。赵一航（2023）将短视频平台的竞争策略纳入系统动力学框架，研究了抖音与快手双寡头格局下的用户迁移成本与平台锁定效应，模拟显示当跨平台内容差异性低于30%时，用户流失率将上升至每月4.5%以上。
（三）生命周期与产业组织模型
李冠男等（2021）采用Gompertz生长曲线对我国短视频产业生命周期进行拟合，以2013—2020年的行业用户渗透率数据为样本，测算出引入期（2013—2016年）、成长期（2017—2019年）、成熟期（2020年至今）的拐点时间，预计2025年前后行业将进入平台期。张笑语（2022）基于产业组织理论中的SCP范式，分析了短视频市场集中度（CR4从2018年的71%上升至2022年的89%）对商业模式创新的影响，指出高集中度抑制了差异化竞争，内容同质化率从42%攀升至67%。
综上所述，生命周期模型适合刻画产业整体发展阶段，但难以捕捉短期波动；系统动力学模型能够模拟复杂反馈机制，但对参数敏感性要求较高。大部分研究采用年度或半年度数据，本文采用月度高频指标，且ARIMA模型结构简洁、短期预测精度高，不依赖外生变量即可对核心指标做出较好拟合。因此，本文采用季节性ARIMA模型对短视频产业的月度核心指标建立模型并作出预测。

三、理论模型
（一）SARIMA模型介绍
在实践中，短视频产业的用户活跃度、广告收入等时间序列除了表现出普通的非平稳性以外，在周期上也表现出季节性非平稳性，如“618”“双11”大促期间电商转化率明显提升。可以对非季节性部分建立普通的ARMA（p,d,q），而对季节性部分建立ARMA（P,D,Q）^s，更为一般的模型如下：

Φ_P(B^s)φ_p(B)(1-B^s)^D(1-B)^d x_t = Θ_Q(B^s)θ_q(B)ε_t

这就是所谓的SARIMA(p,d,q)(P,D,Q)^s模型，其中有：

φ_p(B)=1-φ_1B-…-φ_pB^p
θ_q(B)=1-θ_1B-…-θ_qB^q
Φ_P(B^s)=1-Φ_1B^s-…-Φ_PB^{Ps}
Θ_Q(B^s)=1-Θ_1B^s-…-Θ_QB^{Qs}

分别对应季节性的AR(P)和MA(Q)部分，以及非季节性的AR(p)和MA(q)。

（二）平稳性检验
对序列的平稳性检验一般有两种方法，一是根据时序图直接作出判断，但该方法容易主观臆测；二是构造统计量进行假设检验，常用ADF检验。ADF检验原理如下：
对任一AR(p)过程，有：

x_t = c + γ_1 x_{t-1} + γ_2 x_{t-2} + … + γ_p x_{t-p} + ε_t

等价变换为：

∇x_t = c + η x_{t-1} + ∑{i=1}^{p-1} β_i ∇x{t-i} + ε_t

其中：

η = (∑_{i=1}^p γ_i) - 1

若序列平稳，则|η|<0等价于η<0。若序列非平稳，则至少存在一个单位根，有η=0。在AR(p)过程单位根检验的假设条件可以确定为：

H0: η=0（序列非平稳）↔ H1: η<0（序列平稳）

构造ADF检验量：

τ = η̂ / SE(η̂)

其中SE(η̂)为参数η̂的样本标准差。

（三）纯随机性检验
模型的显著性检验一般通过对序列残差进行白噪声检验。
原假设：H0: ρ_1 = ρ_2 = … = ρ_m = 0（序列为白噪声）
备择假设：H1: 至少存在某个ρ_k ≠ 0（序列非白噪声）

LB统计量由Ljung和Box证明其近似服从自由度为m的卡方分布，数学表达式为：

LB = n(n+2)∑_{k=1}^m (ρ̂_k^2)/(n-k)

其中，m为延迟期数，n为观测期数。若LB统计量对应的p值小于显著性水平0.05，认为原序列为非白噪声序列，数据具有可提取的信息，可以继续拟合模型。

四、数据来源
本文采用数据来自《中国互联网发展报告》《中国网络视听发展研究报告》及QuestMobile、蝉妈妈等第三方数据平台，选取2018年1月至2023年12月的全国短视频行业月度核心指标为样本数据，包括：短视频月活跃用户规模（亿人）、单用户日均使用时长（分钟）、平台广告收入（亿元）、直播电商GMV（亿元）、内容更新总量（万条）。利用ARIMA模型对短视频产业核心指标进行预测。

表4-1 原始数据描述性统计（2018.01—2023.12）

根据时序图可知，近六年我国短视频月活跃用户规模从2018年初的5.12亿增长至2023年底的10.38亿，但2021年后增速显著放缓，季度环比增速降至2%以内。单用户日均使用时长在2020年疫情期间达到峰值118.7分钟，随后在2022—2023年回落至100分钟附近，表明用户注意力开始向其他应用分流。平台广告收入呈现明显的季节性波动，每年Q4为投放高峰。直播电商GMV保持高速增长，但增速从2021年的同比126%下降至2023年的34%，行业进入精细化运营阶段。

五、建模分析
（一）数据平稳性和纯随机性检验
首先对短视频月活跃用户规模原始时间序列进行ADF检验。在5%显著性水平下，有漂移项有趋势项模型的ADF统计量为-2.13，p值为0.52，没有通过ADF检验，因此认为原始时间序列是不平稳的。

表5-1 原始序列ADF检验（月活跃用户规模）

将原始月度用户规模数据进行一阶差分，差分后序列较为平稳。一阶差分后的自相关图和偏自相关图显示出12阶显著相关，且图像近似三角函数，表明一阶差分后的序列具有季节效应。故对一阶差分后的序列再进行12步差分，然后对一阶12步差分的序列进行单位根检验。在5%显著性水平下，三种模型的ADF统计量均小于临界值，p值均≤0.01，表明一阶12步差分后的短视频用户规模数据已实现平稳。

表5-2 一阶12步差分后的ADF检验（用户规模）

数据具有平稳性质之后，再通过Ljung-Box进行纯随机性检验，以判断平稳时间序列是否为白噪声。检验结果如表5-3所示。

表5-3 纯随机性检验（一阶12步差分后）

根据表5-3的纯随机性检验结果，延迟6阶和12阶的LB统计量p值均未超过显著性水平0.05，表明一阶12步差分后的短视频用户规模数据是平稳非白噪声序列，可以用SARIMA建立模型。

（二）模型建立

1. auto.arima函数定阶
   采用auto.arima函数对模型进行定阶，R软件自动拟合的模型为SARIMA(1,1,1)(1,1,1)^12，拟合结果显示各系数值均大于其两倍标准差，表明模型系数显著。

2. 观测法定阶
   根据一阶12步差分后的自相关图及偏自相关图，ACF在12阶处截尾，PACF在12阶处拖尾，拟合模型SARIMA(0,1,1)(0,1,1)^12、SARIMA(1,1,0)(1,1,0)^12及SARIMA(1,1,1)(1,1,1)^12。

表5-4 模型拟合结果对比

根据AIC准则，AIC值越小模型越优，拟选择SARIMA(1,1,1)(1,1,1)^12模型。模型表达式为：

(1-0.356B)(1+0.812B^{12})(1-B)(1-B^{12})x_t = (1-0.387B)(1+0.714B^{12})ε_t

（三）模型检验
对SARIMA(1,1,1)(1,1,1)^12模型的残差进行检验，残差围绕0值上下波动，无明显趋势性，表明残差平稳。再通过Ljung-Box对模型显著性进行检验，检验结果如表5-5所示。

表5-5 模型显著性LB检验

滞后6阶的P值均大于显著性水平0.05，接受残差为白噪声的原假设，说明模型显著，信息提取充分。

（四）异方差检验
由于短视频行业受大促活动、政策变化等因素影响，残差序列可能存在异方差。对残差序列进行ARCH-LM检验。检验结果如表5-6所示，在5%显著性水平下，随着滞后阶数的增加，P值均大于0.05，表明残差平方序列为纯随机序列，不存在异方差。

表5-6 异方差LM检验

（五）模型预测
本文以2018年1月至2023年6月的短视频月活跃用户规模为训练集，建立SARIMA(1,1,1)(1,1,1)^12模型，预测2023年7月至2024年6月未来12期的月度用户规模。预测效果显示，模型拟合值与真实值比较接近，拟合效果良好。由于ARIMA模型的预测方差会随着预测步长的增加而逐渐增大，因此该模型通常用于短期预测。

表5-7 模型预测结果与真实值对比（2023年下半年）

表5-7是模型6期预测值与真实值的对比结果，2023年下半年各月相对误差均控制在0.6%以内，表明模型在预测短视频用户规模短期变化时效果良好。

表5-8 未来12期预测值（2024年1月—2024年12月）

预测结果显示，未来一年内我国短视频月活跃用户规模将从10.67亿缓慢增长至10.87亿左右，年增量约2000万，同比增长率约1.9%，显著低于2019—2021年的两位数增速，行业正式进入存量竞争阶段。

六、结论与建议
从预测结果来看，SARIMA模型对短视频产业核心指标的短期预测较为准确，可根据此模型对未来行业走向做出预判。根据预测结果，未来一年我国短视频用户规模将进入平稳期，增量空间极为有限。与此同时，结合商业模式演化趋势，提出以下建议：

（一）平台层面：从流量运营转向价值运营
用户增长红利见顶后，平台应着力提升单用户变现效率（ARPU）。2023年行业平均ARPU为158元/年，较成熟社交媒体（如微信生态的332元/年）仍有较大差距。建议平台深耕直播电商、本地生活、短剧付费等场景，通过算法优化提高转化率，预计ARPU每提升10%，可带动广告收入增长约45亿元。

（二）内容创作者层面：强化差异化与品牌化
行业内容同质化率已从2019年的42%上升至2023年的67%，中尾部创作者生存空间收窄。建议创作者向垂直领域（知识科普、三农、银发经济等）深耕，建立个人IP壁垒。数据显示，垂直领域头部账号的粉丝黏性（月互动率23.7%）显著高于泛娱乐账号（9.3%），商业化溢价能力高出1.8倍。

（三）监管层面：构建可持续生态治理体系
针对行业出现的未成年人沉迷、虚假宣传、数据造假等问题，建议监管部门完善算法推荐透明度规则，推行内容分级制度，规范直播带货的“最低价”宣传。同时，建立跨平台内容版权保护机制，降低正版内容创作成本，提升优质内容供给弹性。

（四）行业层面：探索多元化收入结构
当前短视频产业收入结构中，广告收入占比约58%，直播打赏占22%，电商佣金占15%，其他占5%，过度依赖广告使得行业对宏观经济周期敏感。建议推动短剧付费、知识订阅、虚拟礼物等新业态发展，目标在2026年前将广告收入占比降至45%以下，增强产业抗风险能力和可持续发展韧性。