基於時間序列模型的中國GDP增長預測分析
1 引言
作為度量一個國家或地區所有常住單位在一定時期之內所生產和所提供的最終產品或服務的重要總量指標，國內生產總值（英文Gross Domestic Product，簡寫為GDP）對於判斷經濟態勢運行、衡量經濟綜合實力、正確制定經濟政策等諸多方面，以及在經濟研究實際工作中，均起著不可替代的重要作用。自從國家統計局於1985年建立相關制度以後，GDP核算已經成為決策層掌握宏觀經濟運行狀態的重要手段，如果能夠對GDP做出正確的預測，必然可以有效引導宏觀經濟健康發展，為高層管理部門提供決策依據，從而也為制定宏觀經濟中長期發展規劃、區域經濟發展戰略和宏觀經濟政策提供堅實的保障。
熊志斌（2011）深入分析了時間序列模型與神經網絡(NN)模型的優勢和劣勢，按照兩種模型的預測特性，在比較的基礎之上，分別構建了ARIMA模型和NN模型，並根據一定算法對兩種模型進行了集成。將GDP時間序列的數據結構，根據在非線性空間和線性空間的預測優勢，進一步分解為線性非線性殘差和自相關主體兩部分，即首先用ARIMA分析技術構建線性主體模型，然後用NN模型估計非線性殘差，再對序列的整個預測結果進行最終集成。仿真實證結果表明：與單一模型相比，集成模型的預測準確率顯著提高，進行GDP預測當然使用集成模型更為有效[1]。桂文林和韓兆洲（2011）認為由於迄今為止，包括季度GDP在內的經季節調整之後的經濟數據，中國政府尚未進行公布，不但無法進行國際之間的橫向比較，也不利於監測中國宏觀經濟態勢。本文運用1996年第1季度至2009年第4季度的中國實際GDP數據，構建了狀態空間模型，使用卡爾曼濾波疊代算法對季節調整模型狀態向量的各分量，進行了最優平滑、預測和估計，並使用極大似然方法估計了超參數。經過對GDP的主要季節和趨勢特徵分析的基礎上，計算出了環比增長率指標來監測和分析經濟走勢，並與國際通用的TRAMO-SEATS季節調整模型進行了對比，以便鑑別趨勢拐點，制定相關的經濟政策[2]。高帆（2010）運用1952年至2008年的上海GDP增長率數據，實證研究其內在變動機制，將GDP增長率分解為純生產率效應、純勞動投入效應、純生產結構效應、純勞動結構效應，並分析了這四種效應之間的交互影響。實證研究結果表明：在上海GDP增長率提高的四種效應之中，純生產率效應起到了關鍵作用。上海GDP增長率自1978年改革開放之後，在整體上對純生產率效應的依賴度趨於增強。在1978年至1989年期間，純勞動結構效應是GDP增長的主要因素，由於市場化改革的進一步加大，勞動力跨部門流轉在很大程度上得以實現。在1990年至2008年期間，純生產率效應是GDP增長的主要因素，正是由於在此歷史階段，由於資本深化進一步加速，從而有效提高了部門勞動生產率。基於實證的研究結論，可以針對性地制定出今後上海市經濟實現持續增長的若干宏觀政策[3]。騰格爾和何躍（2010）利用中國季度GDP數據分別構建了ARIMA和ARCH模型，同時利用GMDH自組織方法嘗試建模，經過Bon-ferroni-Dunn檢驗，表明與單一模型相比，組合模型的擬合能力更強。預測分析的實證研究表明，基本GMDH組合的GDP模型預測精度更高，無論是經濟正常增長時期，還是在經濟出現較大波動時期，組合模型的可靠性與準確性都相對較高[4]。
1 引言
作為度量一個國家或地區所有常住單位在一定時期之內所生產和所提供的最終產品或服務的重要總量指標，國內生產總值（英文Gross Domestic Product，簡寫為GDP）對於判斷經濟態勢運行、衡量經濟綜合實力、正確制定經濟政策等諸多方面，以及在經濟研究實際工作中，均起著不可替代的重要作用。自從國家統計局於1985年建立相關制度以後，GDP核算已經成為決策層掌握宏觀經濟運行狀態的重要手段，如果能夠對GDP做出正確的預測，必然可以有效引導宏觀經濟健康發展，為高層管理部門提供決策依據，從而也為制定宏觀經濟中長期發展規劃、區域經濟發展戰略和宏觀經濟政策提供堅實的保障。
熊志斌（2011）深入分析了時間序列模型與神經網絡(NN)模型的優勢和劣勢，按照兩種模型的預測特性，在比較的基礎之上，分別構建了ARIMA模型和NN模型，並根據一定算法對兩種模型進行了集成。將GDP時間序列的數據結構，根據在非線性空間和線性空間的預測優勢，進一步分解為線性非線性殘差和自相關主體兩部分，即首先用ARIMA分析技術構建線性主體模型，然後用NN模型估計非線性殘差，再對序列的整個預測結果進行最終集成。仿真實證結果表明：與單一模型相比，集成模型的預測準確率顯著提高，進行GDP預測當然使用集成模型更為有效[1]。桂文林和韓兆洲（2011）認為由於迄今為止，包括季度GDP在內的經季節調整之後的經濟數據，中國政府尚未進行公布，不但無法進行國際之間的橫向比較，也不利於監測中國宏觀經濟態勢。本文運用1996年第1季度至2009年第4季度的中國實際GDP數據，構建了狀態空間模型，使用卡爾曼濾波疊代算法對季節調整模型狀態向量的各分量，進行了最優平滑、預測和估計，並使用極大似然方法估計了超參數。經過對GDP的主要季節和趨勢特徵分析的基礎上，計算出了環比增長率指標來監測和分析經濟走勢，並與國際通用的TRAMO-SEATS季節調整模型進行了對比，以便鑑別趨勢拐點，制定相關的經濟政策[2]。高帆（2010）運用1952年至2008年的上海GDP增長率數據，實證研究其內在變動機制，將GDP增長率分解為純生產率效應、純勞動投入效應、純生產結構效應、純勞動結構效應，並分析了這四種效應之間的交互影響。實證研究結果表明：在上海GDP增長率提高的四種效應之中，純生產率效應起到了關鍵作用。上海GDP增長率自1978年改革開放之後，在整體上對純生產率效應的依賴度趨於增強。在1978年至1989年期間，純勞動結構效應是GDP增長的主要因素，由於市場化改革的進一步加大，勞動力跨部門流轉在很大程度上得以實現。在1990年至2008年期間，純生產率效應是GDP增長的主要因素，正是由於在此歷史階段，由於資本深化進一步加速，從而有效提高了部門勞動生產率。基於實證的研究結論，可以針對性地制定出今後上海市經濟實現持續增長的若干宏觀政策[3]。騰格爾和何躍（2010）利用中國季度GDP數據分別構建了ARIMA和ARCH模型，同時利用GMDH自組織方法嘗試建模，經過Bon-ferroni-Dunn檢驗，表明與單一模型相比，組合模型的擬合能力更強。預測分析的實證研究表明，基本GMDH組合的GDP模型預測精度更高，無論是經濟正常增長時期，還是在經濟出現較大波動時期，組合模型的可靠性與準確性都相對較高[4]。
收藏