CN103440536A - 一种区域宏观经济预测模型方法 - Google Patents
一种区域宏观经济预测模型方法 Download PDFInfo
- Publication number
- CN103440536A CN103440536A CN2013103962013A CN201310396201A CN103440536A CN 103440536 A CN103440536 A CN 103440536A CN 2013103962013 A CN2013103962013 A CN 2013103962013A CN 201310396201 A CN201310396201 A CN 201310396201A CN 103440536 A CN103440536 A CN 103440536A
- Authority
- CN
- China
- Prior art keywords
- mean
- phase
- industry
- investment
- equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种区域宏观经济预测模型方法,该方法包括以下步骤:(1)获取与电力需求相关的不同时间频度的历史经济数据指标;(2)利用CES生产函数模型,构建区域宏观经济中短期预测模型;(3)利用改进的Solow生产函数模型,构建区域宏观经济长期预测模型。本发明按照时间维度分别建立了区域宏观经济中短期预测模型与区域宏观经济长期预测模型,大大提高了预测精度,为政府部门制定电力工业发展目标提供决策依据。
Description
技术领域
本发明涉及宏观经济预测技术领域,具体是一种区域宏观经济预测模型方法。
背景技术
不同区域,无论是其经济结构还是其经济发展水平均存在较大差异,因此区域宏观经济预测模型在建模原理与计量经济学方法的应用层面与全国的宏观经济预测模型存在较大差异,不同的预测周期采用的建模基础理论也应该是有差别的。不同区域经济变量之间的相互影响关系、影响程度应能真实反映本地区经济历史动态特征。尽管所有宏观经济预测模型的建立都是以经济理论和经济运行机理为基础,但由于经济运行过程存在较大的不确定性,加之经济统计指标数据的相对滞后性以及经济指标统计过程中不可避免的误差,从而使得多数计量模型方程难以保持较强的稳健性(Robust)。为了保证模型计算和预测的准确性和稳健性,通常需要通过形式不同但机理一致的相近模型反复进行测试实验以及在各个子模型之间寻求相互验证。
目前已有一些科研院所对宏观经济预测建模有些研究,也有部分研究成果,但是这些宏观经济预测模型大多数是在算法上下功夫,如遗传算法、改进粒子群算法、神经网路算法等在宏观经济预测模型中的应用。而且这些研究模型不会因为预测周期的改变而改变算法原理,预测结果的合理性与否无从解释且无法内部校核。再者,大家都知道国民经济指标的统计是通过采集样本统计而来,部分经济统计指标的可信度是值得商榷的,传统经济预测模型无从甄别数据的可用性,而只能实践从属理论的角度直接拿来就用,如果历史样本期的数据可信度较高,且在经济结构与国家宏观政策没有太大变化的情况下,预测结果也许较好,但要是历史样本期的数据可信度较低,且经济结构与国家宏观政策有大的调整,预测结果不准确是必然的。
发明内容
本发明要解决的技术问题是提供一种区域宏观经济预测模型方法,通过该方法可以对区域宏观经济中短期及长期国民发展的微观与宏观主要指标分别进行预测,有效提高预测精度,为政府部门制定电力工业发展目标提供决策依据。
本发明的技术方案为:
一种区域宏观经济预测模型方法,包括以下步骤:
(1)获取与电力需求相关的不同时间频度的历史经济数据指标;
(2)利用CES生产函数模型,构建区域宏观经济中短期预测模型;
(3)利用改进的Solow生产函数模型,构建区域宏观经济长期预测模型。
所述的区域宏观经济预测模型方法,步骤(3)中,所述改进的Solow生产函数模型为采用逻辑斯蒂函数对Solow生产函数模型中的技术进步要素进行模拟。
所述的区域宏观经济预测模型方法,对部分预测模型的输入变量进行数据形式转换。
所述的区域宏观经济预测模型方法,预测模型的输入变量采用可比价,输出结果采用现价。
所述的区域宏观经济预测模型方法,步骤(2)中,所述区域宏观经济中短期预测模型包括:
1)固定资产投资额预测模型,其确定性方程为:
Yt=Yt-4×X1t×X2t/10000
其中,Yt表示第t期固定资产投资额,Yt-4表示第t-4期固定资产投资额,X1t表示第t期固定资产投资额同比增速,X2t表示第t期固定资产投资价格指数;
2)第二产业固定资产投资额预测模型,其线性回归方程为:
Yt=c1+c2*Xt
其中,Yt表示第t期第二产业固定资产投资额,Xt表示第t期固定资产投资额,c1、c2表示常数;
3)第三产业固定资产投资额预测模型,其线性回归方程为:
Yt=c1+c2*Xt
其中,Yt表示第t期第三产业固定资产投资额,Xt表示第t期固定资产投资额,c1、c2表示常数;
4)第一产业固定资产投资额预测模型,其确定性方程为:
Yt=X1t-X2t-X3t
其中,Yt表示第t期第一产业固定资产投资额,X1t表示第t期固定资产投资额,X2t表示第t期第二产业固定资产投资额,X3t表示第t期第三产业固定资产投资额;
5)工业增加值平减指数预测模型,其线性回归方程为:
Yt=c1+c2*pchYoY(X1t-1)+c3*X2t+〔AR(1)=p,AR(2)=q〕
其中,Yt表示第t期工业增加值平减指数,X1t-1表示第t-1期人民币对美元汇率,X2t表示第t期固定资产投资价格指数,pchYoY表示求同比增长率,c1、c2、c3、p、q表示常数;
6)第一产业增加值预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t)+c3*ln(X2t)+〔AR(1)=p〕
其中,Yt表示第t期第一产业增加值,X1t表示第t期第一产业固定资产投资额,X2t表示第t期第一产业就业人口数,ln表示求自然对数,c1、c2、c3、p表示常数;
7)第一产业就业人口数预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*pchYoY(X1t-1/X1t-5/X2t-1*100*Yt-4)+〔AR(1)=p〕
其中,Yt表示第t期第一产业就业人口数,X1t-1表示第t-1期第一产业增加值,X1t-5表示第t-5期第一产业增加值,X2t-1表示第t-1期工业增加值平减指数,Yt-4表示第t-4期第一产业就业人口数,pchYoY表示求同比增长率,c1、c2、p表示常数;
8)第二产业增加值预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t)+〔AR(1)=p〕
其中,Yt表示第t期第二产业增加值,X1t表示第t期第二产业固定资产投资额,ln表示求自然对数,c1、c2、p表示常数;
9)第二产业就业人口数预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t-1/X1t-5/X2t-1*100*Yt-4)+c3*ln(X3t)+〔AR(1)=p〕
其中,Yt表示第t期第二产业就业人口数,X1t-1表示第t-1期第二产业增加值,X1t-5表示第t-5期第二产业增加值,X2t-1表示第t-1期工业增加值平减指数,Yt-4表示第t-4期第二产业就业人口数,X3t表示20-59岁劳动力人口数,ln表示求自然对数,c1、c2、c3、p表示常数;
10)第三产业增加值预测模型,其线性回归方程为:
Yt=c1+c2*X1t+〔AR(4)=p〕
其中,Yt表示第t期第三产业增加值,X1t表示第t期第三产业固定资产投资额,c1、c2、p表示常数;
11)第三产业就业人口数预测模型,其线性回归方程为:
Y=c1+c2*(X1t-1/X1t-5/X2t-1*100*Yt-4)+c3*X3t+〔AR(4)=p〕
其中,Yt表示第t期第三产业就业人口数,X1t-1表示第t-1期第三产业增加值,X1t-5表示第t-5期第三产业增加值,X2t-1表示第t-1期工业增加值平减指数,Yt-4表示第t-4期第三产业就业人口数,X3t表示20-59岁劳动力人口数,c1、c2、c3、p表示常数;
12)就业总人口数预测模型,其确定性方程为:
Yt=X1t+X2t+X3t
其中,Yt表示第t期就业总人口数,X1t表示第t期第一产业就业人口数,X2t表示第t期第二产业就业人口数,X3t表示第t期第三产业就业人口数;
13)地区生产总值预测模型,其确定性方程为:
Yt=X1t+X2t+X3t
其中,Yt表示第t期地区生产总值,X1t表示第t期第一产业增加值,X2t表示第t期第二产业增加值,X3t表示第t期第三产业增加值;
14)工业生产者出厂价格指数预测模型,其线性回归方程为:
Yt=c1+c2*pchYoY(X1t*X4t)+c3*pchYoY(X2t*X4t)+c4*X3t
其中,Yt表示第t期工业生产者出厂价格指数,X1t表示第t期磷肥价格,X2t表示第t期布伦特原油价格,X3t表示第t期固定资产投资价格指数,X4t表示第t期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、c4表示常数;
15)区域消费价格指数CPI预测模型,其线性回归方程为:
Yt=c1+c2*X1t+c3*pchYoY(X2t-8)
其中,Yt表示第t期区域消费价格指数,X1t表示第t期工业生产者出厂价格指数,X2t-8表示第t-8期全国货币供应量,pchYoY表示求同比增长率,c1、c2、c3表示常数;
16)工业增加值预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*pchYoY(X1t)
其中,Yt表示第t期工业增加值,X1t表示第t期地区生产总值,pchYoY表示求同比增长率,c1、c2表示常数;
17)工业增加值增长率预测模型,其确定性方程为:
Yt=X1t/X1t-4/X2t*10000-100
其中,Yt表示第t期工业增加值增长率,X1t表示第t期工业增加值,X1t-4表示第t-4期工业增加值,X2t表示第t期工业增加值平减指数;
18)水泥产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-7/X1t-8/X2t-7*10000)+〔AR(1)=p,AR(4)=p〕
其中,Yt表示第t期水泥产量,X1t-7表示第t-7期第二产业固定资产投资额,X1t-8表示第t-8期第二产业固定资产投资额,X2t-7表示第t-7期固定资产投资价格指数,pchYoY表示求同比增长率,c1、c2、p、q表示常数;
19)生铁产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-2/X1t-6/X2t-2*10000)+c3*pchYoY(X3t*X4t)+〔AR(4)=p〕
其中,Yt表示第t期生铁产量,X1t-2表示第t-2期第二产业固定资产投资额,X1t-6表示第t-6期第二产业固定资产投资额,X2t-2表示第t-2期固定资产投资价格指数,X3t表示第t期铁矿石价格,X4t表示第t期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、p表示常数;
20)有色金属产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-2/X1t-6/X2t-2*10000)+〔AR(1)=p,AR(4)=q〕
其中,Yt表示第t期有色金属产量,X1t-2表示第t-2期第二产业固定资产投资额,X1t-6表示第t-6期第二产业固定资产投资额,X2t-2表示第t-2期固定资产投资价格指数,pchYoY表示求同比增长率,c1、c2、p、q表示常数;
21)钢材产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-9/X1t-13/X2t-9*10000)+c3*pchYoY(X3t*X4t)
其中,Yt表示第t期钢材产量,X1t-9表示第t-9期第二产业固定资产投资额,X1t-13表示第t-13期第二产业固定资产投资额,X2t-9表示第t-9期固定资产投资价格指数,X3t-6表示第t-6期钢材价格,X4t-6表示第t-6期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3表示常数;
22)原煤产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-7/X1t-11/X2t-7*10000)+c3*pchYoY(X3t-4*X4t-4)+〔AR(1)=p〕
其中,Yt表示第t期原煤产量,X1t-7表示第t-7期第二产业固定资产投资额,X1t-11表示第t-11期第二产业固定资产投资额,X2t-7表示第t-7期固定资产投资价格指数,X3t-4表示第t-4期原煤价格,X4t-4表示第t-4期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、p表示常数;
23)煤气产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-12/X1t-16/X2t-12*10000)+〔AR(4)=p〕
其中,Yt表示第t期煤气产量,X1t-12表示第t-12期第二产业固定资产投资额,X1t-16表示第t-16期第二产业固定资产投资额,X2t-12表示第t-12期固定资产投资价格指数,pchYoY表示求同比增长率,c1、c2、p表示常数;
24)塑料制品产量预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t-4/X2t-4)+c3*ln(X3t*X4t)+〔AR(4)=p〕
其中,Yt表示第t期塑料制品产量,X1t-4表示第t-4期第二产业固定资产投资额,X2t-4表示第t-4期固定资产投资价格指数,X3t表示第t期布伦特原油价格,X4t表示第t期人民币对美元汇率,ln表示求自然对数,c1、c2、c3、p表示常数;
25)肥料产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-8/X1t-12/X2t-8*10000)+c3*X3t+c4*pchYoY(X4t-6*X5t-6)
其中,Yt表示第t期肥料产量,X1t-8表示第t-8期第二产业固定资产投资额,X1t-12表示第t-12期第二产业固定资产投资额,X2t-8表示第t-8期固定资产投资价格指数,X3t表示哑元,X4t-6表示第t-6期磷肥价格,X5t-6表示第t-6期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、c4表示常数;
26)农村居民人均现金收入预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t/X2t)+〔AR(4)=p〕
其中,Yt表示第t期农村居民人均现金收入,X1t表示第t期地区生产总值,X2t表示第t期地区总人口,ln表示求自然对数,c1、c2、p表示常数;
27)农村居民人均现金支出预测模型,其线性回归方程为:
Yt=c1*X1t
其中,Yt表示第t期农村居民人均现金支出,X1t表示第t期农村居民人均现金收入,c1表示常数;
28)城镇居民人均可支配收入预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t/X2t)+〔AR(4)=p〕
其中,Yt表示第t期城镇居民人均可支配收入,X1t表示第t期地区生产总值,X2t表示第t期地区总人口,ln表示求自然对数,c1、c2、p表示常数;
29)城镇居民人均消费支出预测模型,其线性回归方程为:
Yt=c1*X1t
其中,Yt表示第t期城镇居民人均消费支出,X1t表示第t期城镇居民人均可支配收入,c1表示常数。
所述的区域宏观经济预测模型方法,步骤(3)中,所述区域宏观经济长期预测模型包括:
1)第二产业就业人口数预测模型,其线性回归方程为:
Yt=X3t(c1+c2*X1t-1/X2t-1)+ut
其中,Yt表示第t期第二产业就业人口数,X3t表示第t期20-59岁劳动力人口数,X1t-1表示t-1期第二产业增加值,X2t-1表示t-1期第二产业固定资产投资,ut表示残差,c1、c2表示常数;
2)第二产业固定资产投资额预测模型,其线性回归方程为:
Yt=Xt*Yt-1/Xt-1
其中,Yt表示第t期第二产业固定资产投资额,Yt-1表示第t-1期第二产业固定资产投资额,Xt表示第t期区域固定资产投资额,Xt-1表示第t-1期区域固定资产投资额;
3)第二产业增加值预测模型,其线性回归方程为:
lnYt=ln(c1)+ln〔c1+c2*exp(c3*X3t/X1t-1)〕-ln(c3)+(1-c4)*ln(X2t)+c4*ln(X3t-1/X1t-1+X3t-2/X1t-2)+ln(X1t)+ut
其中,Yt表示第t期第二产业增加值,X1t、X1t-1、X1t-2分别表示第t期、t-1期、t-2期区域消费价格指数CPI,X2t表示第t期第二产业就业人口数,X3t、X3t-1、X3t-2分别表示第t期、t-1期、t-2期第二产业固定资产投资额,ut表示残差,c1、c2、c3、c4表示常数;
4)第一产业就业人口数预测模型,其线性回归方程为:
Yt=c1+c2*X1t+c3*X2t+ut
其中,Yt表示第t期第一产业就业人口数,X1t表示第t期第二产业就业人口,X2t表示第t期20-59岁劳动力人口数,ut表示残差,c1、c2、c3表示常数;
5)第一产业固定资产投资额预测模型,其线性回归方程为:
Yt=Xt*Yt-1/Xt-1
其中,Yt表示第t期第一产业固定资产投资额,Yt-1表示第t-1期第一产业固定资产投资额,Xt表示第t期区域固定资产投资额,Xt-1表示第t-1期区域固定资产投资额;
6)第一产业增加值预测模型,其线性回归方程为:
Yt=c1*X1t c2*X2t 1-c2+ut
其中,Yt表示第t期第一产业增加值,X1t表示第t期第一产业固定资产投资额,X2t表示第t期第一产业就业人口数,ut表示残差,c1、c2表示常数;
7)第三产业增加值预测模型,其线性回归方程为:
Yt=c1+c2*X1t+c3*X2t+ut
其中,Yt表示第t期第三产业增加值,X1t表示第t期第一产业增加值,X2t表示第t期第二产业增加值,ut表示残差,c1、c2、c3表示常数。
所述的区域宏观经济预测模型方法,所述劳动力人口数的预测模型为:
Pn,t=Pn-1,t-1*(∑j=1 t-1Pn,j/Pn-1,j)/(t-1)
其中,Pn,t表示第t期年龄为n的劳动力人口数。
本发明对区域历史主要经济指标开展研究分析,筛选出不同时间频率的可信度较高的核心经济指标,并利用不同时间频率的经济指标分别构建区域宏观经济中短期预测模型和长期预测模型,对于不同时间周期的预测模型采用不同建模原理,有利于满足不同区域不同时间周期的预测需求,中短期模型主要用于预测大约1~2年左右时间的经济走势与经济发展关键指标,而长期模型则主要用于预测大约3~5年的经济形势与经济发展关键指标。这两类不同时间频率的联立模型预测时效性综合考虑了数据可获得性与数据的可信度等多种因素,提高了预测精度,为政府部门制定电力工业发展目标提供决策依据。
在预测模型系统中,频度高(周期短)的模型输出指标作为频度低(周期长)的模型部分输入指标,整个系统高度整合。对模型的绝大部分输入变量进行数据形式转换,减少了建模过程中出现伪回归的可能,同时也提高了使用不同计量单位的不同类别指标的经济学意义和数学意义。所有预测模型的输入变量均使用可比价,而在模型输出的结果之前将可比价格都转换成现价,这样在预测过程中剔除了通货膨胀、价格变动等因素的影响,从而保证了预测精度的提高。采用创新的“人口世代演化法”对区域20-59岁人口进行预测,大大提高了预测准确度。在构建宏观经济长期预测模型时,采用了专家法先确定核心经济部门和从属经济部门的关系,确定核心经济部门为第二产业,从属经济部门为第一产业和第三产业,打破了传统的分产业单向预测模式,有效提高了预测精度。
附图说明
图1是本发明的方法流程图;
图2是本发明逻辑斯蒂函数模拟技术进步要素示意图;
图3是本发明区域宏观经济长期预测模型中专家法预测技术路线图及传统方法技术路线图。
具体实施方式
一种区域宏观经济预测模型方法,该模型方法按照时间维度分别建立了区域宏观经济中短期预测模型、区域宏观经济长期预测模型,预测模型是宏观经济预测的核心,合理地筛选历史数据源,选择不同的样本周期构建不同的预测周期模型是关键。基本步骤包括:
S1、获取历史经济数据指标和用电量数据指标;
S2、分别筛选出与电力需求关联度最高的不同时间频度的指标;
S3、采用筛选出的微观经济指标及部分宏观经济指标构建区域宏观经济中短期预测模型并测试、校核、修正;
S4、采用筛选出的宏观经济指标及部分区域宏观经济中短期预测模型的输出预测结果,构建区域宏观经济长期预测模型并测试、校核、修正;
S5、输出预测结果。
对模型的绝大部分输入变量进行数据转换,以减少出现伪回归的可能,同时也提高了使用不同计量单位的不同类别指标的经济和数学意义。例如就业人数和GDP同时作为模型的输入变量,则没有明显的经济意义与数学意义。假设输入数据转换前的方程形式如下:
Y(t)=A+B×X1(t)+CX2(t) ①
其中Y(t)表示收入,X1(t)表示就业人口,X2(t)表示国内生产总值。即:收入(元)=A(元)+B*就业人口(万人)+C*GDP(百万元),该模型方程没有实际的经济学意义,但是如果对模型的输入变量先作对数变换就不一样了,对①式中各变量先进行log转换后,如下所示:
logY(t)=A’+B’logX1(t)+C’logX2(t)
则上述方程就表示就业人口的增长速速与GDP的增长速度对收入的增长速度的影响程度。
所有模型输入变量均使用可比价,而模型输出的结果都使用现价。方法之一是把整个时间序列数据转换为可比价,方法之二是使用价格指数(平减指数)将可比价换算回现价,示例如下:
模型原理如下式:
Y(t)=A+B*X(t)
实际数据包含通胀因素:
Y(t)/Def(t)=A+B*X(t)/Def(t)
为了消除这个因素,将方程两边同时乘以平减指数Def(t):
Y(t)=A*Def(t)+B*X(t)
对于不同的预测周期采用不同的建模原理,在区域宏观经济中短期预测模型中采用CES生产函数(固定替代弹性生产函数)原理建模,以第二产业增加值为例,建模原理方程如式(1)所示:
Y(t)=f*(a*V(t)b+(1-a)*N(t)b)1/b; (1)
其中,Y(t):第二产业增加值,f:A为全要素生产率;a为份额参数,即在生产中,投入V(t)、N(t)各自的贡献,由于所有的贡献之和等于1,所以有V(t),N(t)的系数之和为1;V(t):资本投入要素;N(t):劳动投入要素;b:与替代弹性有关。
在区域宏观经济长期预测模型中采用改进的Solow生产函数(索洛增长模型)作为理论基础建模,改进的建模原理方程如式(2)所示:
Y(t)=k*ln(k+p*(er*V(t)-1))/r*N(t)1-c*(∑V(t))c; (2)
上述式(2)中,Y(t)表示第二产业增加值,N(t)表示第二产业就业人口数,V(t)表示第二产业固定资产投资额,其它字符表示模型参数。
改进的Solow生产函数模型主要是采用“逻辑斯蒂函数”对Solow生产函数模型中的技术进步要素进行模拟。下面式(3)仅反映投资增量带来的技术进步增量:
P(t)=K*P0*ert/(K+P0*(ert-1)); (3)
将式(3)两边同时乘以投资(t)的增量dt,则表达式变为式(4):
P(t)*dt=K*P0*ert*dt/(K+P0*(ert-1)); (4)
对式(4)两边积分得到式(5):
∫P(t)*dt=∫K*P0*ert*dt/(K+P0*(ert-1))=K*ln(K+P0*(ert-1))/r; (5)
逻辑斯蒂S曲线下方的面积即表示为技术进步,如图2所示。
模型中技术进步要素A用公式表示,如式(6)所示:
A(t)=K*ln(K+P0*(ert-1))/r; (6)
上述式(6)中,t表示投资,相当于式(2)中的V(t)。
与传统分产业预测方法不同的是,本发明在构建区域宏观经济长期预测模型时采用了专家法确定核心经济部门和从属经济部门的关系,如图3所示。
传统的宏观经济预测方法是分产业相对独立预测,即独立分别预测第一产业增加值、第二产业增加值、第三产业增加值;而本发明所述的专家法预测三次产业增加值是指:首先确定核心经济部门为第二产业,从属经济部门为第一产业与第三产业,即由因素1′预测第二产业增加值;由因素1′包含的劳动力要素预测因素2′的劳动力要素,再由因素2′预测第一产业增加值,最后由第二产业增加值和第一产业增加值共同预测第三产业增加值。
(1)第二产业增加值预测
上述因素1′包含第二产业就业人口数和第二产业固定资产投资额。而第二产业增加值则通过第二产业就业人口数和第二产业固定资产投资额共同预测得到。具体步骤如下:
第一步,预测第二产业就业人口数:
影响本期第二产业就业人口数的因变量为上期第二产业增加值、上期第二产业固定资产投资额和20-59岁劳动力人口数。
具体预测模型如下:
Yt=X3t(c1+c2*X1t-1/X2t-1)+ut
其中,Yt为第t期第二产业就业人口数,万人;
X3t为第t期20-59岁年龄段的劳动力人口数,万人;
X1t-1为第t-1期第二产业增加值,亿元;
X2t-1为第t-1期第二产业固定资产投资额,亿元。
上述t表示当期(本期),t-1表示上期,例如,若t表示3季度,那么t-1则表示2季度。下同。
依据历史数据回归方程为:
Yt=X3t(0.40073-0.06470*X1t-1/X2t-1)
R2=0.79
第二步,预测第二产业固定资产投资额:
影响本期第二产业固定资产投资额的因变量为上期第二产业固定资产投资额、本期区域固定资产投资总量和上期区域固定资产投资总量。
具体预测模型如下:
Yt=Xt*Yt-1/Xt-1
其中,Yt为第t期第二产业固定资产投资额,亿元;
Yt-1为第t-1期第二产业固定资产投资额,亿元;
Xt为第t期区域固定资产投资总量,亿元;
Xt-1为第t-1期区域固定资产投总量,亿元。
第三步:预测第二产业增加值,采用以下模型预测:
lnYt=ln(c1)+ln〔c1+c2*exp(c3*X3t/X1t-1)〕-ln(c3)+(1-c4)(11)
*ln(X2t)+c4*ln(X3t-1/X1t-1+X3t-2/X1t-2)+ln(X1t)+ut
其中,Yt为第t期第二产业增加值,亿元;
X1t为第t期本区域消费价格指数CPI,2001年为基期;
X2t为第t期区域第二产业就业人口数,万人;
X3t为第t期区域第二产业固定资产投资额,亿元。
其它为模型常数参数项。
依据历史数据回归结果为:
lnYt=ln(0.001481)+ln〔0.001481+0.0045*exp(0.00096*X3t/X1t-1)〕)-ln(0.00096)+(1-0.5403)*ln(X2t)+0.5403*ln(X3t-1/X1t-1+X3t-2/X1t-2)+ln(X1t)
R2=0.99
(2)第一产业增加值预测
上述因素2′包含第一产业就业人口数和第一产业固定资产投资额。而第一产业增加值则通过第一产业就业人口数和第一产业固定资产投资额共同预测得到。具体步骤如下:
第一步:预测第一产业就业人口数:
影响第一产业就业人口数的因变量为第二产业就业人口数和20-59岁劳动力人口数。
具体预测模型为:
Yt=c1+c2*X1t+c3*X2t+ut
其中,Yt为第t期第一产业就业人口数,万人;
X1t为第t期第二产业就业人口数,万人;
X2t为第t期年龄在20-59岁的劳动力人口数,万人。
依据历史数据回归结果为:
Yt=2825.69-0.3731*X1t-0.2373*X2t
P=(0.016)(0.003)(0.433)
R2=0.71
第二步:预测第一产业固定资产投资额:
影响第一产业固定资产投资额的因变量为上期第一产业固定资产投资额、本期区域固定资产投资总量和上期区域固定资产投资总量。具体预测模型如下:
Yt=Xt*Yt-1/Xt-1
其中,Yt为第t期第一产业固定资产投资额,亿元;
Yt-1为第t-1期第一产业固定资产投资额,亿元;
Xt为第t期区域固定资产投资额,亿元;
Xt-1为第t-1期区域固定资产投资额,亿元。
第三步:预测第一产业增加值:
预测模型如下:
Yt=c1*X1t c2*X2t 1-c2+ut
其中,Yt为第t期第一产业增加值,亿元;
X1t为第t期第一产业固定资产投资额,亿元;
X2t为第t期第一产业就业人口数,万人;
依据历史数据回归结果为:
Yt=2.264*X1t 0.392*X2t 1-0.392
P=(0.000)(0.000)
R2=0.95
(3)第三产业增加值预测
影响第三产业增加值的因变量为第一产业增加值和第二产业增加值。
预测模型如下:
Yt=c1+c2*X1t+c3*X2t+ut
其中,Yt为第t期第三产业增加值,亿元;
X1t为第t期第一产业增加值,亿元;
X2t为第t期第二产业增加值,亿元。
依据历史数据回归结果为:
Yt=575.42-0.8478*X1t+0.3409*X2t
P=(0.107)(0.045)(0.000)
对于预测模型中采用的区域内20-59岁之间劳动力人口数的预测,则采用新发明的“人口世代演化法”进行预测,预测公式为:
Pn,t=Pn-1,t-1*(∑j=1 t-1Pn,j/Pn-1,j)/(t-1)
其中,Pn,t表示第t期年龄为n的劳动力人口数。
区域宏观经济中短期预测模型包括29组计量方程,它们由24组内生变量、12组外生变量构成,具体如下:
(1)固定资产投资额预测:
1)确定性方程:
Yt=Yt-4×X1t×X2t/10000
2)变量含义:
Yt:第t期固定资产投资额(单位:亿元)
Yt-4:第t-4期固定资产投资额(单位:亿元)
X1t:第t期固定资产投资额增速(同比)
X2t:第t期固定资产投资价格指数(上年同期=100)
(2)第二产业固定资产投资完成额预测:
1)线性回归方程:
Yt=-51.9523+0.4875*Xt
2)变量含义:
Yt:第t期第二产业固定资产投资额(单位:亿元)
Xt:第t期固定资产投资额(单位:亿元)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -51.95226 | 17.23382 | -3.01455 | 0.00599 |
Xt | 0.48748 | 0.00563 | 86.64294 | 0.00000 |
4)模型效果检验:
5)相关系数:
(3)第三产业固定资产投资额预测:
1)线性回归方程:
Yt=58.8681+0.4912*Xt
2)变量含义:
Yt:第t期第三产业固定资产投资额(单位:亿元)
Xt:第t期固定资产投资额(单位:亿元)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 58.86808 | 18.22589 | 3.22991 | 0.00357 |
Xt | 0.49120 | 0.00595 | 82.55236 | 0.00000 |
4)模型效果检验:
5)相关系数:
(4)第一产业固定资产投资额预测:
1)确定性方程:
Yt=X1t-X2t-X3t
2)变量含义:
Yt:第t期第一产业固定资产投资额(单位:亿元)
X1t:第t期固定资产投资额(单位:亿元)
X2t:第t期第二产业固定资产投资额(单位:亿元)
X3t:第t期第三产业固定资产投资额(单位:亿元)
(5)工业增加值平减指数预测:
1)线性回归方程:
Yt=-25.5628+0.9092*pchYoY(X1t-1)+1.2731*X2t+[AR(1)=0.6704,AR(2)=0.2303]
2)变量含义:
Yt:第t期工业增加值平减指数
X1t-1:第t-1期人民币汇率(RMB/USD)
X2t:第t期固定资产投资价格指数(上年同期=100)
pchYoY表示求同比增长率(%)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -25.56281 | 24.49504 | -1.04359 | 0.30560 |
pchYoY(X1t-1) | 0.90921 | 0.48600 | 1.87079 | 0.07186 |
X2t | 1.27308 | 0.23766 | 5.35665 | 0.00001 |
at AR(1) | 0.67037 | 0.19367 | 3.46147 | 0.00174 |
at AR(2) | 0.23035 | 0.19957 | 1.15423 | 0.25816 |
4)模型效果检验:
5)相关系数:
(6)第一产业增加值预测:
1)线性回归方程:
ln(Yt)=-25.0359+0.4319*ln(X1t)+3.9777*ln(X2t)+[AR(1)=-0.6181]
2)变量含义:
Yt:第t期第一产业增加值(亿元)
X1t:第t期第一产业固定资产投资额(亿元)
X2t:第t期第一产业就业人口数(万人)
ln表示求自然对数
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -25.03587 | 6.13523 | -4.08067 | 0.00054 |
ln(X1t) | 0.43193 | 0.03670 | 11.77039 | 0.00000 |
ln(X2t) | 3.97766 | 0.82273 | 4.83472 | 0.00009 |
at AR(1) | -0.61814 | 0.18080 | -3.41889 | 0.00258 |
4)模型效果检验:
5)相关系数:
(7)第一产业就业人口数预测:
1)线性回归方程:
pchYoY(Yt)=-1.2503+0.0268*pchYoY(X1t-1/X1t-5/X2t-1*100*Yt-4)+[AR(1)=0.6655]
2)变量含义:
Yt:第t期第一产业就业人口数(万人)
X1t-1:第t-1期第一产业增加值(亿元)
X1t-5:第t-5期第一产业增加值(亿元)
X2t-1:第t-1期工业增加值平减指数(同比,%)
Yt-4:第t-4期第一产业就业人口数(万人)
pchYoY表示求同比增长率
3)回归结果:
4)模型效果检验:
5)相关系数:
(8)第二产业增加值预测:
1)线性回归方程:
ln(Yt)=1.7775+0.7755*ln(X1t)+[AR(1)=-0.3322]
2)变量含义:
Yt:第t期第二产业增加值(亿元)
X1t:第t期第二产业固定资产投资额(亿元)
ln表示求自然对数
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 1.77747 | 0.36976 | 4.80711 | 0.00009 |
ln(X1t) | 0.77546 | 0.05266 | 14.72588 | 0.00000 |
at AR(1) | -0.33219 | 0.23587 | -1.40835 | 0.17366 |
4)模型效果检验:
5)相关系数:
(9)第二产业就业人口数预测:
1)线性回归方程:
ln(Yt)=-9.1119+0.0232*ln(X1t-1/X1t-5/X2t-1*100*Yt-4)+1.7589*ln(X3t)+[AR(1)=1.0073]
2)变量含义:
Yt:第t期第二产业就业人口数(万人)
X1t-1:第t-1期第二产业增加值(亿元)
X1t-5:第t-5期第二产业增加值(亿元)
X2t-1:第t-1期工业增加值平减指数(同比,%)
Yt-4:第t-4期第二产业就业人口数(万人)
X3t:20-59岁劳动力人口数(万人)
ln表示求自然对数
3)回归结果:
4)模型效果检验:
5)相关系数:
(10)第三产业增加值预测:
1)线性回归方程:
Yt=3572154.5252+0.2222*X1t+[AR(4)=1.0000]
2)变量含义:
Yt:第t期第三产业增加值(亿元)
X1t:第t期第三产业固定资产投资额(亿元)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 3,572,154.52524 | - | - | - |
X1t | 0.22217 | - | - | - |
at AR(4) | 0.99998 | - | - | - |
4)模型效果检验:
5)相关系数:
(11)第三产业就业人口数预测:
1)线性回归方程:
Yt=-3183.3386+0.5388*(X1t-1/X1t-5/X2t-1*100*Yt-4)+1.1055*X3t+[AR(4)=-0.3467]
2)变量含义:
Yt:第t期第三产业就业人口数(万人)
X1t-1:第t-1期第三产业增加值(亿元)
X1t-5:第t-5期第三产业增加值(亿元)
X2t-1:第t-1期工业增加值平减指数(同比,%)
Yt-4:第t-4期第三产业就业人口数(万人)
X3t:20-59岁劳动力人口数(万人)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -3,183.33860 | 722.00567 | -4.40902 | 0.00020 |
(X1t-1/X1t-5/X2t-1*100*Yt-4) | 0.53877 | 0.05786 | 9.31238 | 0.00000 |
X3t | 1.10548 | 0.21355 | 5.17665 | 0.00003 |
at AR(4) | -0.34674 | 0.14660 | -2.36517 | 0.02683 |
4)模型效果检验:
5)相关系数:
(12)就业总人口数预测:
1)确定性方程:
Yt=X1t+X2t+X3t
2)变量含义:
Yt:第t期就业总人口数(万人)
X1t:第t期第一产业就业人口数(万人)
X2t:第t期第二产业就业人口数(万人)
X3t:第t期第三产业就业人口数(万人)
(13)地区生产总值预测:
1)确定性方程:
Yt=X1t+X2t+X3t
2)变量含义:
Yt:第t期地区生产总值(亿元)
X1t:第t期第一产业增加值(亿元)
X2t:第t期第二产业增加值(亿元)
X3t:第t期第三产业增加值(亿元)
(14)工业生产者出厂价格指数预测:
1)线性回归方程:
Yt=34.5297+0.0786*pchYoY(X1t*X4t)+0.0978*pchYoY(X2t*X4t)+0.6371*X3t
2)变量含义:
Yt:第t期工业生产者出厂价格指数
X1t:第t期DAP(磷肥)价格(RMB/USD)
X2t:第t期布伦特原油价格(美元每桶)
X3t:第t期固定资产投资价格指数(上年同期=100)
X4t:第t期人民币汇率(RMB/USD)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 34.52969 | 16.87440 | 2.04628 | 0.07494 |
pchYoY(X1t*X4t) | 0.07861 | 0.01423 | 5.52446 | 0.00056 |
pchYoY(X2t*X4t) | 0.09783 | 0.01861 | 5.25615 | 0.00077 |
X3t | 0.63707 | 0.16278 | 3.91360 | 0.00446 |
4)模型效果检验:
5)相关系数:
(15)区域消费价格指数(CPI)预测:
1)线性回归方程:
Yt=69.2661+0.3027*X1t+0.1146*pchYoY(X2t-8)
2)变量含义:
Yt:第t期区域消费价格指数
X1t:第t期工业生产者出厂价格指数
X2t-8:第t-8期全国货币供应量(亿元)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 69.26614 | 3.44060 | 20.13198 | 0.00000 |
X1t | 0.30272 | 0.03278 | 9.23399 | 0.00000 |
pchYoY(X2t-8) | 0.11457 | 0.02873 | 3.98842 | 0.00155 |
4)模型效果检验:
5)相关系数:
(16)工业增加值预测:
1)线性回归方程:
pchYoY(Yt)=16.2341+0.4817*pchYoY(X1t)
2)变量含义:
Yt:第t期区域工业增加值(亿元)
X1t:第t期地区生产总值(亿元)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 16.23411 | 36.11902 | 0.44946 | 0.65633 |
pchYoY(X1t) | 0.48171 | 0.08203 | 5.87254 | 0.00000 |
4)模型效果检验:
5)相关系数:
(17)工业增加值增长率预测:
1)确定性方程:
Yt=X1t/X1t-4/X2t*10000-100
2)变量含义:
Yt:第t期工业增加值增长率
X1t:第t期工业增加值(亿元)
X1t-4:第t-4期工业增加值(亿元)
X2t:第t期工业增加值平减指数(%)
(18)水泥产量预测
1)线性回归方程:
pchYoY(Y)=14.0850+0.0143*(X1t-7/X1t-8/X2t-7*10000)+[AR(1)=0.5370,AR(4)=-0.2035]
2)变量含义:
Yt:第t期水泥产量(万吨)
X1t-7:第t-7期第二产业固定资产投资额(亿元)
X1t-8:第t-8期第二产业固定资产投资额(亿元)
X2t-7:第t-7期固定资产投资价格指数(上年=100)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 14.08496 | 3.54202 | 3.97653 | 0.00262 |
(X1t-7/X1t-8/X2t-7*10000) | 0.01428 | 0.02267 | 0.62999 | 0.54283 |
at AR(1) | 0.53704 | 0.27425 | 1.95824 | 0.07867 |
at AR(4) | -0.20346 | 0.28503 | -0.71382 | 0.49166 |
4)模型效果检验:
5)相关系数:
(19)生铁产量预测:
1)线性回归方程:
pchYoY(Yt)=-12.9202+0.1332*(X1t-2/X1t-6/X2t-2*10000)+0.0696*pchYoY(X3t*X4t)+[AR(4)=-0.7418]
2)变量含义:
Yt:第t期水泥产量(万吨)
X1t-2:第t-2期第二产业固定资产投资额(亿元)
X1t-6:第t-6期第二产业固定资产投资额(亿元)
X2t-2:第t-2期固定资产投资价格指数(上年=100)
X3t:第t期铁矿石价格(CFR中国,美元每吨)
X4t:第t期人民币汇率(RMB/USD)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -12.92016 | 11.01936 | -1.17250 | 0.26375 |
(X1t-2/X1t-6/X2t-2*10000) | 0.13323 | 0.08512 | 1.56528 | 0.14349 |
(X3t*X4t) | 0.06956 | 0.02334 | 2.97964 | 0.01149 |
at AR(4) | -0.74176 | 0.09666 | -7.67361 | 0.00001 |
4)模型效果检验:
5)相关系数:
(21)有色金属产量预测:
1)线性回归方程:
pchYoY(Yt)=-194.3626+1.5946*(X1t-2/X1t-6/X2t-2*10000)+[AR(1)=0.5555,AR(4)=-0.3648]
2)变量含义:
Yt:第t期有色金属产量(万吨)
X1t-2:第t-2期第二产业固定资产投资额(亿元)
X1t-6:第t-6期第二产业固定资产投资额(亿元)
X2t-2:第t-2期固定资产投资价格指数(上年=100)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -194.36258 | 69.66156 | -2.79010 | 0.01634 |
(X1t-2/X1t-6/X2t-2*10000) | 1.59463 | 0.53329 | 2.99017 | 0.01127 |
at AR(1) | 0.55548 | 0.25726 | 2.15924 | 0.05178 |
at AR(4) | -0.36478 | 0.20184 | -1.80723 | 0.09584 |
4)模型效果检验:
5)相关系数:
(21)钢材产量预测:
1)线性回归方程:
pchYoY(Yt)=-40.9541+0.3627*(X1t-9/X1t-13/X2t-9*10000)+0.0793*pchYoY(X3t*X4t)
2)变量含义:
Yt:第t期钢材产量(万吨)
X1t-9:第t-9期第二产业固定资产投资额(亿元)
X1t-13:第t-13期第二产业固定资产投资额(亿元)
X2t-9:第t-9期固定资产投资价格指数(上年=100)
X3t-6:第t-6期钢材价格(热轧薄板卷,美元每吨)
X4t-6:第t-6期人民币汇率(RMB/USD)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -40.95406 | 15.87516 | -2.57976 | 0.02743 |
(X1t-9/X1t-13/X2t-9*10000) | 0.36269 | 0.11864 | 3.05694 | 0.01211 |
(X3t*X4t) | 0.07930 | 0.04541 | 1.74616 | 0.11137 |
4)模型效果检验:
5)相关系数:
(22)原煤产量预测:
1)线性回归方程:
pchYoY(Yt)=-15.2610+0.1847*(X1t-7/X1t-11/X2t-7*10000)+0.0756*pchYoY(X3t-4*X4t-4)+[AR(1)=0.5361]
2)变量含义:
Yt:第t期原煤产量(万吨)
X1t-7:第t-7期第二产业固定资产投资额(亿元)
X1t-11:第t-11期第二产业固定资产投资额(亿元)
X2t-7:第t-7期固定资产投资价格指数(上年=100)
X3t-4:第t-4期原煤价格(澳大利亚,美元每吨)
X4t-4:第t-4期人民币汇率(RMB/USD)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -15.26100 | 21.57429 | -0.70737 | 0.49549 |
(X1t-7/X1t-11/X2t-7*10000) | 0.18465 | 0.16028 | 1.15203 | 0.27611 |
(X3t-4*X4t-4) | 0.07558 | 0.05407 | 1.39794 | 0.19236 |
at AR(1) | 0.53612 | 0.25425 | 2.10868 | 0.06118 |
4)模型效果检验:
5)相关系数:
(23)煤气产量预测:
1)线性回归方程:
pchYoY(Yt)=-49.7654+0.3857*(X1t-12/X1t-16/X2t-12*10000)+[AR(4)=0.0398]
2)变量含义:
Yt:第t期煤气产量(亿立方米)
X1t-12:第t-12期第二产业固定资产投资额(亿元)
X1t-16:第t-16期第二产业固定资产投资(亿元)
X2t-12:第t-12期固定资产投资价格指数(上年=100)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -49.76536 | 11.70469 | -4.25174 | 0.02385 |
(X1t-12/X1t-16/X2t-12*10000) | 0.38573 | 0.08632 | 4.46874 | 0.02088 |
at AR(4) | 0.03981 | 0.10231 | 0.38909 | 0.72318 |
4)模型效果检验:
5)相关系数:
(24)塑料制品产量预测:
1)线性回归方程:
ln(Yt)=0.2276+0.3799*ln(X1t-4/X2t-4)+0.1418*ln(X3t*X4t)+[AR(4)=-0.4211]
2)变量含义:
Yt:第t期塑料制品产量(万吨)
X1t-4:第t-4期第二产业固定资产投资额(亿元)
X2t-4:第t-4期固定资产投资价格指数(上年=100)
X3t:第t期布伦特原油价格(美元每桶)
X4t:第t期人民币汇率(RMB/USD)
ln表示求自然对数
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 0.22755 | 1.07527 | 0.21162 | 0.83545 |
ln(X1t-4/X2t-4) | 0.37988 | 0.09456 | 4.01753 | 0.00127 |
ln(X3t*X4t) | 0.14183 | 0.20271 | 0.69970 | 0.49558 |
at AR(4) | -0.42106 | 0.74201 | -0.56746 | 0.57939 |
4)模型效果检验:
5)相关系数:
(25)肥料产量预测:
1)线性回归方程:
pchYoY(Yt)=-30.0506+0.2543*(X1t-8/X1t-12/X2t-8*10000)-21.8881*X3t+0.0790*pchYoY(X4t-6*X5t-6)
2)变量含义:
Yt:第t期肥料产量(万吨)
X1t-8:第t-8期第二产业固定资产投资额(亿元)
X1t-12:第t-12期第二产业固定资产投资额(亿元)
X2t-8:第t-8期固定资产投资价格指数(上年=100)
X3t:哑元(虚拟变量),2010年III季度取1,其余均取0
X4t-6:第t-6期DAP(磷肥)价格(美元每吨)
X5t-6:第t-6期人民币汇率(RMB/USD)
pchYoY表示求同比增长率
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | -30.05056 | 32.70842 | -0.91874 | 0.37986 |
(X1t-8/X1t-12/X2t-8*10000) | 0.25429 | 0.24507 | 1.03760 | 0.32389 |
X3t | -21.88810 | 12.14479 | -1.80226 | 0.10168 |
pchYoY(X4t-6*X5t-6) | 0.07895 | 0.04402 | 1.79355 | 0.10313 |
4)模型效果检验:
5)相关系数:
(26)农村居民人均现金收入预测:
1)线性回归方程:
ln(Yt)=8.2914+0.4694*ln(X1t/X2t)+[AR(4)=0.9073]
2)变量含义:
Yt:第t期农村居民人均现金收入(元/人)
X1t:第t期地区生产总值(亿元)
X2t:第t期地区总人口(万人)
ln表示求自然对数
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 8.29144 | 0.57914 | 14.31676 | 0.00000 |
ln(X1t/X2t) | 0.46942 | 0.19595 | 2.39564 | 0.02327 |
at AR(4) | 0.90731 | 0.05905 | 15.36567 | 0.00000 |
4)模型效果检验:
5)相关系数:
(27)农村居民人均现金支出预测:
1)线性回归方程:
Yt=0.9098*X1t
2)变量含义:
Yt:第t期农村居民人均现金支出(元/人)
X1t:第t期农村居民人均现金收入(元/人)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
X1t | 0.90980 | 0.01129 | 80.57727 | 0.00000 |
4)模型效果检验:
5)相关系数:
(28)城镇居民人均可支配收入预测:
1)线性回归方程:
ln(Yt)=11.6080+0.1979*ln(X1t/X2t)+[AR(4)=0.9717]
2)变量含义:
Yt:第t期城镇居民人均可支配收入(元/人)
X1t:第t期地区生产总值(亿元)
X2t:第t期地区总人口(万人)
ln表示求自然对数
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
常数项 | 11.60803 | 3.32472 | 3.49143 | 0.00156 |
ln(X1t/X2t) | 0.19793 | 0.10877 | 1.81972 | 0.07914 |
at AR(4) | 0.97174 | 0.02572 | 37.77660 | 0.00000 |
4)模型效果检验:
5)相关系数:
(29)城镇居民人均消费支出预测:
1)线性回归方程:
Yt=0.7253*X1t
2)变量含义:
Yt:第t期城镇居民人均消费支出(元/人)
X1t:第t期城镇居民人均可支配收入(元/人)
3)回归结果:
系数 | 值 | 标准误差 | t-统计量 | 概率 |
X1t | 0.72530 | 0.00642 | 112.94200 | 0.00000 |
4)模型效果检验:
5)相关系数:
采用以上联立模型对安徽省2013年1-2季度开展预测,预测样本历史数据截至2012年12月底。预测的主要宏观经济指标结果比较如下:
注:上表中高、低方案是指:模型其他外生变量输入不变的条件下,将区域固定资产投资增速设定为25%和20%两种情况。
经济指标的外生特性和内生特性是指经济指标之间相互影响的特性和相对独立的特性。外生特性是指该指标的改变只能影响其他指标变化,内生特性是指该指标的改变会引起其他一系列指标变化,进而影响自身进一步改变的特性。
区域宏观经济中短期预测模型的外生变量包括:用人民币表示的国际钢材价格;用人民币表示的原油价格;用人民币表示的铁矿石价格;用人民币表示的磷肥DPA价格;人民币/美元汇率;全国货币供应量;全国消费者价格指数;澳大利亚煤价;区域人口总数;区域内20-59岁之间人口数、区域固定资产投资总额、固定资产投资价格指数。内生变量包括:第一产业固定资产投资、第一产业就业人数、第一产业增加值;第二产业固定资产投资、第二产业就业人数、水泥产量、有色金属产量、煤炭产量、粗钢产量、塑料制品产量、化肥产量、生铁产量、钢材产量,第二产业增加值;第三产业固定资产投资、第三产业增加值、第三产业就业人数;工业增加值、工业增加值占国内生产总值占比、城镇居民人均可支配收入、农村居民人均现金收入、城镇居民人均消费支出、农村居民人均现金支出、区域居民消费价格指数CPI。
区域宏观经济长期预测模型的外生变量包括:区域总人口、年龄在20-59岁区间的人口,人民币/美元汇率;固定资产投资;内生变量包括:建筑业固定资产投资、建筑业增加值、第一产业固定资产投资、第二产业固定资产投资、第三产业固定资产投资、第一产业增加值、第二产业增加值、第三产业增加值,区域生产总值、第一产业就业人数、第二产业就业人数、第三产业就业人数、总就业人数、第一产业增加值指数、第二产业增加值指数、第三产业增加值指数、城镇居民可支配收入、农村居民现金收入、城镇居民消费支出、农村居民现金支出、农村人口、城镇人口、城镇人口占比、零售价格指数、区域居民消费价格指数。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (7)
1.一种区域宏观经济预测模型方法,其特征在于,包括以下步骤:
(1)获取与电力需求相关的不同时间频度的历史经济数据指标;
(2)利用CES生产函数模型,构建区域宏观经济中短期预测模型;
(3)利用改进的Solow生产函数模型,构建区域宏观经济长期预测模型。
2.根据权利要求1所述的区域宏观经济预测模型方法,其特征在于,步骤(3)中,所述改进的Solow生产函数模型为采用逻辑斯蒂函数对Solow生产函数模型中的技术进步要素进行模拟。
3.根据权利要求1所述的区域宏观经济预测模型方法,其特征在于,对部分预测模型的输入变量进行数据形式转换。
4.根据权利要求1所述的区域宏观经济预测模型方法,其特征在于,预测模型的输入变量采用可比价,输出结果采用现价。
5.根据权利要求1所述的区域宏观经济预测模型方法,其特征在于,步骤(2)中,所述区域宏观经济中短期预测模型包括:
1)固定资产投资额预测模型,其确定性方程为:
Yt = Yt-4×X1t×X2t/10000
其中,Yt表示第t期固定资产投资额,Yt-4表示第t-4期固定资产投资额,X1t表示第t期固定资产投资额同比增速,X2t表示第t期固定资产投资价格指数;
2)第二产业固定资产投资额预测模型,其线性回归方程为:
Yt=c1+c2*Xt
其中,Yt表示第t期第二产业固定资产投资额,Xt表示第t期固定资产投资额,c1、c2表示常数;
3)第三产业固定资产投资额预测模型,其线性回归方程为:
Yt= c1+ c2*Xt
其中,Yt表示第t期第三产业固定资产投资额,Xt表示第t期固定资产投资额,c1、c2表示常数;
4)第一产业固定资产投资额预测模型,其确定性方程为:
Yt= X1t - X2t - X3t
其中,Yt表示第t期第一产业固定资产投资额,X1t表示第t期固定资产投资额,X2t表示第t期第二产业固定资产投资额,X3t表示第t期第三产业固定资产投资额;
5)工业增加值平减指数预测模型,其线性回归方程为:
Yt=c1+c2*pchYoY(X1t-1)+c3* X2t +〔AR(1)=p,AR(2)=q〕
其中,Yt表示第t期工业增加值平减指数,X1t-1表示第t-1期人民币对美元汇率,X2t表示第t期固定资产投资价格指数,pchYoY表示求同比增长率,c1、c2、c3、p、q表示常数;
6)第一产业增加值预测模型,其线性回归方程为:
ln(Yt)= c1+ c2*ln(X1t)+ c3*ln(X2t)+〔AR(1)=p〕
其中,Yt表示第t期第一产业增加值,X1t表示第t期第一产业固定资产投资额,X2t表示第t期第一产业就业人口数,ln表示求自然对数,c1、c2、c3、p表示常数;
7)第一产业就业人口数预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*pchYoY(X1t-1/ X1t-5/ X2t-1*100* Yt-4)+〔AR(1)=p〕
其中,Yt表示第t期第一产业就业人口数,X1t-1表示第t-1期第一产业增加值,X1t-5表示第t-5期第一产业增加值,X2t-1表示第t-1期工业增加值平减指数,Yt-4表示第t-4期第一产业就业人口数,pchYoY表示求同比增长率,c1、c2、p表示常数;
8)第二产业增加值预测模型,其线性回归方程为:
ln(Yt)= c1+ c2*ln(X1t)+〔AR(1)=p〕
其中,Yt表示第t期第二产业增加值,X1t表示第t期第二产业固定资产投资额,ln表示求自然对数,c1、 c2、 p表示常数;
9)第二产业就业人口数预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t-1/ X1t-5/ X2t-1*100* Yt-4)+ c3*ln(X3t)+〔AR(1)=p〕
其中,Yt表示第t期第二产业就业人口数,X1t-1表示第t-1期第二产业增加值,X1t-5表示第t-5期第二产业增加值,X2t-1表示第t-1期工业增加值平减指数,Yt-4表示第t-4期第二产业就业人口数,X3t表示20-59岁劳动力人口数,ln表示求自然对数,c1、c2、c3、p表示常数;
10)第三产业增加值预测模型,其线性回归方程为:
Yt = c1+ c2*X1t+〔AR(4)=p〕
其中,Yt表示第t期第三产业增加值,X1t表示第t期第三产业固定资产投资额,c1、c2、p表示常数;
11)第三产业就业人口数预测模型,其线性回归方程为:
Y=c1+c2*(X1t-1/X1t-5/X2t-1*100*Yt-4)+ c3*X3t +〔AR(4)=p〕
其中,Yt表示第t期第三产业就业人口数,X1t-1表示第t-1期第三产业增加值,X1t-5表示第t-5期第三产业增加值,X2t-1表示第t-1期工业增加值平减指数,Yt-4表示第t-4期第三产业就业人口数,X3t表示20-59岁劳动力人口数,c1、c2、c3、p表示常数;
12)就业总人口数预测模型,其确定性方程为:
Yt =X1t+X2t+X3t
其中,Yt表示第t期就业总人口数,X1t表示第t期第一产业就业人口数,X2t表示第t期第二产业就业人口数,X3t表示第t期第三产业就业人口数;
13)地区生产总值预测模型,其确定性方程为:
Yt =X1t+X2t+X3t
其中,Yt表示第t期地区生产总值,X1t表示第t期第一产业增加值,X2t表示第t期第二产业增加值,X3t表示第t期第三产业增加值;
14)工业生产者出厂价格指数预测模型,其线性回归方程为:
Yt= c1+ c2*pchYoY(X1t* X4t)+c3*pchYoY(X2t* X4t)+ c4*X3t
其中,Yt表示第t期工业生产者出厂价格指数,X1t表示第t期磷肥价格,X2t表示第t期布伦特原油价格,X3t表示第t期固定资产投资价格指数,X4t表示第t期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、c4表示常数;
15)区域消费价格指数CPI预测模型,其线性回归方程为:
Yt =c1+ c2*X1t + c3*pchYoY(X2t-8)
其中,Yt表示第t期区域消费价格指数,X1t表示第t期工业生产者出厂价格指数,X2t-8表示第t-8期全国货币供应量,pchYoY表示求同比增长率,c1、c2、c3表示常数;
16)工业增加值预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*pchYoY(X1t)
其中,Yt表示第t期工业增加值,X1t表示第t期地区生产总值,pchYoY表示求同比增长率,c1、c2表示常数;
17)工业增加值增长率预测模型,其确定性方程为:
Yt =X1t/X1t-4/ X2t*10000-100
其中,Yt表示第t期工业增加值增长率,X1t表示第t期工业增加值,X1t-4表示第t-4期工业增加值,X2t表示第t期工业增加值平减指数;
18)水泥产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-7/ X1t-8/ X2t-7*10000)+〔AR(1)=p, AR(4)=p〕
其中,Yt表示第t期水泥产量,X1t-7表示第t-7期第二产业固定资产投资额,X1t-8表示第t-8期第二产业固定资产投资额,X2t-7表示第t-7期固定资产投资价格指数,pchYoY表示求同比增长率,c1、 c2、p、q表示常数;
19)生铁产量预测模型,其线性回归方程为:
pchYoY(Yt) =c1+c2*(X1t-2/X1t-6/X2t-2*10000)+c3*pchYoY(X3t*X4t)+〔AR(4)=p〕
其中,Yt表示第t期生铁产量,X1t-2表示第t-2期第二产业固定资产投资额,X1t-6表示第t-6期第二产业固定资产投资额,X2t-2表示第t-2期固定资产投资价格指数,X3t表示第t期铁矿石价格,X4t表示第t期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、p表示常数;
20)有色金属产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-2/X1t-6/X2t-2*10000)+〔AR(1)=p,AR(4)=q〕
其中,Yt表示第t期有色金属产量,X1t-2表示第t-2期第二产业固定资产投资额,X1t-6表示第t-6期第二产业固定资产投资额,X2t-2表示第t-2期固定资产投资价格指数,pchYoY表示求同比增长率,c1、 c2、p、q表示常数;
21)钢材产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*( X1t-9/ X1t-13/ X2t-9*10000)+ c3*pchYoY(X3t * X4t)
其中,Yt表示第t期钢材产量,X1t-9表示第t-9期第二产业固定资产投资额,X1t-13表示第t-13期第二产业固定资产投资额,X2t-9表示第t-9期固定资产投资价格指数,X3t-6表示第t-6期钢材价格,X4t-6表示第t-6期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3表示常数;
22)原煤产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-7/X1t-11/X2t-7*10000)+c3*pchYoY(X3t-4*X4t-4)+〔AR(1)=p〕
其中,Yt表示第t期原煤产量,X1t-7表示第t-7期第二产业固定资产投资额,X1t-11表示第t-11期第二产业固定资产投资额,X2t-7表示第t-7期固定资产投资价格指数,X3t-4表示第t-4期原煤价格,X4t-4表示第t-4期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、p表示常数;
23)煤气产量预测模型,其线性回归方程为:
pchYoY(Yt)= c1+ c2*(X1t-12/X1t-16/X2t-12*10000)+〔AR(4)=p〕
其中,Yt表示第t期煤气产量,X1t-12表示第t-12期第二产业固定资产投资额,X1t-16表示第t-16期第二产业固定资产投资额,X2t-12表示第t-12期固定资产投资价格指数,pchYoY表示求同比增长率,c1、c2、p表示常数;
24)塑料制品产量预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t-4/X2t-4)+c3*ln(X3t*X4t)+〔AR(4)=p〕
其中,Yt表示第t期塑料制品产量,X1t-4表示第t-4期第二产业固定资产投资额,X2t-4表示第t-4期固定资产投资价格指数,X3t表示第t期布伦特原油价格,X4t表示第t期人民币对美元汇率,ln表示求自然对数,c1、c2、c3、p表示常数;
25)肥料产量预测模型,其线性回归方程为:
pchYoY(Yt)=c1+c2*(X1t-8/X1t-12/X2t-8*10000)+c3*X3t+c4*pchYoY(X4t-6* X5t-6)
其中,Yt表示第t期肥料产量,X1t-8表示第t-8期第二产业固定资产投资额,X1t-12表示第t-12期第二产业固定资产投资额,X2t-8表示第t-8期固定资产投资价格指数,X3t表示哑元,X4t-6表示第t-6期磷肥价格,X5t-6表示第t-6期人民币对美元汇率,pchYoY表示求同比增长率,c1、c2、c3、c4表示常数;
26)农村居民人均现金收入预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t/X2t)+〔AR(4)=p〕
其中,Yt表示第t期农村居民人均现金收入,X1t表示第t期地区生产总值,X2t表示第t期地区总人口,ln表示求自然对数,c1、c2、p表示常数;
27)农村居民人均现金支出预测模型,其线性回归方程为:
Yt= c1* X1t
其中,Yt表示第t期农村居民人均现金支出,X1t表示第t期农村居民人均现金收入,c1表示常数;
28)城镇居民人均可支配收入预测模型,其线性回归方程为:
ln(Yt)=c1+c2*ln(X1t/X2t)+〔AR(4)=p〕
其中,Yt表示第t期城镇居民人均可支配收入,X1t表示第t期地区生产总值,X2t表示第t期地区总人口,ln表示求自然对数,c1、c2、p表示常数;
29)城镇居民人均消费支出预测模型,其线性回归方程为:
Yt= c1*X1t
其中,Yt表示第t期城镇居民人均消费支出,X1t表示第t期城镇居民人均可支配收入,c1表示常数。
6.根据权利要求1所述的区域宏观经济预测模型方法,其特征在于,步骤(3)中,所述区域宏观经济长期预测模型包括:
1)第二产业就业人口数预测模型,其线性回归方程为:
Yt=X3t(c1+c2*X1t-1/X2t-1)+ut
其中,Yt表示第t期第二产业就业人口数,X3t表示第t期20-59岁劳动力人口数,X1t-1表示t-1期第二产业增加值,X2t-1表示t-1期第二产业固定资产投资,ut表示残差,c1、c2表示常数;
2)第二产业固定资产投资额预测模型,其线性回归方程为:
Yt=Xt*Yt-1/Xt-1
其中,Yt表示第t期第二产业固定资产投资额,Yt-1表示第t-1期第二产业固定资产投资额,Xt表示第t期区域固定资产投资额,Xt-1表示第t-1期区域固定资产投资额;
3)第二产业增加值预测模型,其线性回归方程为:
lnYt=ln(c1)+ln〔c1+c2*exp(c3*X3t/X1t-1)〕-ln(c3)+(1-c4)*ln(X2t)+c4*ln(X3t-1/X1t-1+X3t-2/X1t-2)+ln(X1t)+ut
其中,Yt表示第t期第二产业增加值,X1t、X1t-1、X1t-2分别表示第t期、t-1期、t-2期区域消费价格指数CPI,X2t表示第t期第二产业就业人口数,X3t、X3t-1、X3t-2分别表示第t期、t-1期、t-2期第二产业固定资产投资额,ut表示残差,c1、c2、c3、c4表示常数;
4)第一产业就业人口数预测模型,其线性回归方程为:
Yt=c1+c2*X1t+c3*X2t+ ut
其中,Yt表示第t期第一产业就业人口数,X1t表示第t期第二产业就业人口,X2t表示第t期20-59岁劳动力人口数,ut表示残差,c1、c2、c3表示常数;
5)第一产业固定资产投资额预测模型,其线性回归方程为:
Yt=Xt*Yt-1/Xt-1
其中,Yt表示第t期第一产业固定资产投资额,Yt-1表示第t-1期第一产业固定资产投资额,Xt表示第t期区域固定资产投资额,Xt-1表示第t-1期区域固定资产投资额;
6)第一产业增加值预测模型,其线性回归方程为:
Yt=c1*X1t c2*X2t 1-c2+ut
其中,Yt表示第t期第一产业增加值,X1t表示第t期第一产业固定资产投资额,X2t表示第t期第一产业就业人口数,ut表示残差,c1、c2表示常数;
7)第三产业增加值预测模型,其线性回归方程为:
Yt=c1+c2*X1t+c3*X2t+ut
其中,Yt表示第t期第三产业增加值,X1t表示第t期第一产业增加值,X2t表示第t期第二产业增加值,ut表示残差,c1、c2、c3表示常数。
7.根据权利要求5或6所述的区域宏观经济预测模型方法,其特征在于,所述劳动力人口数的预测模型为:
Pn,t=Pn-1,t-1*(∑j=1 t-1Pn,j/Pn-1,j)/(t-1)
其中,Pn,t表示第t期年龄为n的劳动力人口数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310396201.3A CN103440536B (zh) | 2013-09-04 | 2013-09-04 | 一种区域宏观经济预测模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310396201.3A CN103440536B (zh) | 2013-09-04 | 2013-09-04 | 一种区域宏观经济预测模型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440536A true CN103440536A (zh) | 2013-12-11 |
CN103440536B CN103440536B (zh) | 2016-01-20 |
Family
ID=49694229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310396201.3A Active CN103440536B (zh) | 2013-09-04 | 2013-09-04 | 一种区域宏观经济预测模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440536B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966228A (zh) * | 2015-06-15 | 2015-10-07 | 昆明理工大学 | 一种基于arima与lssvm模型的cpi组合预测方法 |
CN110046759A (zh) * | 2019-04-19 | 2019-07-23 | 重庆交通大学 | 基于索洛余值法的农民工对建筑业全要素生产率影响的评估方法 |
CN113626285A (zh) * | 2021-07-30 | 2021-11-09 | 平安普惠企业管理有限公司 | 基于模型的作业监控方法、装置、计算机设备和存储介质 |
CN117436729A (zh) * | 2023-12-21 | 2024-01-23 | 山东中翰软件有限公司 | 一种基于政务系统数据治理和数据分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1448875A (zh) * | 2002-03-29 | 2003-10-15 | 上领英之 | 经济增长率预测程序和记录该程序的计算机可读记录媒体 |
-
2013
- 2013-09-04 CN CN201310396201.3A patent/CN103440536B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1448875A (zh) * | 2002-03-29 | 2003-10-15 | 上领英之 | 经济增长率预测程序和记录该程序的计算机可读记录媒体 |
Non-Patent Citations (4)
Title |
---|
么海亮 等: "基于CES生产函数的河北省高新技术产业技术水平效率系数测算", 《价值工程》, no. 7, 31 July 2009 (2009-07-31), pages 41 - 42 * |
唐勇: "中国经济济高增长还能持续多久—基于拓展的索洛模型的预测", 《学术月刊》, vol. 45, no. 6, 30 June 2013 (2013-06-30), pages 101 - 109 * |
张延群 等: "中国经济中长期增长潜力分析与预测:2008~2020年", 《数量经济技术经济研究》, no. 12, 31 December 2009 (2009-12-31), pages 137 - 145 * |
翁媛媛 等: "中国经济增长动力分析及未来增长空间预测", 《经济学家》, no. 8, 31 August 2011 (2011-08-31), pages 65 - 74 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966228A (zh) * | 2015-06-15 | 2015-10-07 | 昆明理工大学 | 一种基于arima与lssvm模型的cpi组合预测方法 |
CN104966228B (zh) * | 2015-06-15 | 2018-05-25 | 昆明理工大学 | 一种基于arima与lssvm模型的cpi组合预测方法 |
CN110046759A (zh) * | 2019-04-19 | 2019-07-23 | 重庆交通大学 | 基于索洛余值法的农民工对建筑业全要素生产率影响的评估方法 |
CN113626285A (zh) * | 2021-07-30 | 2021-11-09 | 平安普惠企业管理有限公司 | 基于模型的作业监控方法、装置、计算机设备和存储介质 |
CN117436729A (zh) * | 2023-12-21 | 2024-01-23 | 山东中翰软件有限公司 | 一种基于政务系统数据治理和数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103440536B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Journey for green development transformation of China’s metal industry: A spatial econometric analysis | |
Dong et al. | Uncovering regional disparity of China's water footprint and inter-provincial virtual water flows | |
Hsu | A genetic algorithm based nonlinear grey Bernoulli model for output forecasting in integrated circuit industry | |
CN103258069B (zh) | 一种钢铁行业电力需求的预测方法 | |
CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN104881718B (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
CN103440536B (zh) | 一种区域宏观经济预测模型方法 | |
CN105139093A (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN106779157A (zh) | 区域能源消费需求的预测方法 | |
CN108320053A (zh) | 一种区域用电量预测方法、装置及系统 | |
CN105956716A (zh) | 一种基于行业经济与用电关系的全社会用电量预测方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN107818386A (zh) | 电网企业经营利润预测方法 | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
Cipollini et al. | Macro-uncertainty and financial stress spillovers in the Eurozone | |
CN106022547A (zh) | 一种区域经济未来发展宏观预测系统及其方法 | |
Jakubik et al. | Assessing optimal credit growth for an emerging banking system | |
CN104240520A (zh) | 一种基于gso优化的高速公路流量预测方法 | |
CN105913366A (zh) | 一种基于工业电力大数据的区域工业景气指数构建方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
Liu et al. | Forecasting education expenditure with a generalized conformable fractional-order nonlinear grey system model | |
Mey et al. | Prediction of energy consumption for variable customer portfolios including aleatoric uncertainty estimation | |
CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
Zhan et al. | Simulated water productivity in Gansu Province, China | |
CN110648160A (zh) | 一种栅格土地价格评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |