基于背景值优化的GM(1,1)模型在牡丹江GDP预测中的应用

针对GDP是制定地区经济发展战略目标和宏观经济政策的重要参考指标,若能对此指标进行准确的预测,则将会极大有利于该地区制定科学有效的经济政策.鉴于此,对能够影响传统GM(1,1)模型预测精度的背景值进行了优化分析,得到了背景值优化的GM(1,1)预测模型,利用牡丹江市近六年来的GDP数据,将背景值优化的GM(1,1)模型与传统GM(1,1)模型的预测误差做了对比分析,发现前者较后者在预测精度上有了较好的改善,并利用背景值优化的GM(1,1)模型对牡丹江市未来几年的GDP进行了科学预测,并依据预测结果,给出了提高牡丹江经济增长及增长方式转变的对策建议.     

经济转型期我国房地产业对宏观经济总量的影响北大核心CSCD

房地产业是宏观经济的重要组成部分,既受到整个宏观经济发展水平的制约,又发挥着促进宏观经济发展的作用,明确二者的关系有利于对房地产行业进行正确定位,同时又是进行宏观分析的前提和基础.文章首先基于经典的索罗经济增长模型,将资本要素分为土地要素和一般资本要素,构建房地产业对宏观经济总量影响的理论模型.其次,将第三产业占GDP比重作为衡量产业结构特征的指标将我国279个城市划分为两大类:以第一、二产业为主的城市群和以第三产业为主的城市群.最后,以2005年至2014年的8个宏观经济指标作为研究对象,运用SPSS软件对房地产业对宏观经济的影响进行实证研究,得出以第三产业为主的城市群对以第一、二产业为主的城市群具有模范参考作用.     

经济转型期我国房地产业对宏观经济总量的影响

房地产业是宏观经济的重要组成部分,既受到整个宏观经济发展水平的制约,又发挥着促进宏观经济发展的作用,明确二者的关系有利于对房地产行业进行正确定位,同时又是进行宏观分析的前提和基础.文章首先基于经典的索罗经济增长模型,将资本要素分为土地要素和一般资本要素,构建房地产业对宏观经济总量影响的理论模型.其次,将第三产业占GDP比重作为衡量产业结构特征的指标将我国279个城市划分为两大类:以第一、二产业为主的城市群和以第三产业为主的城市群.最后,以2005年至2014年的8个宏观经济指标作为研究对象,运用SPSS软件对房地产业对宏观经济的影响进行实证研究,得出以第三产业为主的城市群对以第一、二产业为主的城市群具有模范参考作用.     

基于VAR和DAG的中国经济增长实证研究

本文利用近年来新发展的DAG方法对我国的GDP、投资、消费和出口的因果关系进行研究.与以前的研究方法相比较,DAG方法可为宏观经济变量的结构VAR模型的过度识别提供限制,同时能给出经济变量的同期和动态因果关系.实证研究表明,投资和消费既是我国GDP增长的同期原因,又是经济增长的短期和长期原因,而且实证结论不支持我国的出口导向型经济增长假设.     

我国固定资产投资边际效率问题研究

将回归分析与边际效用理论有机结合,深入研究我国固定资产投资对GDP边际贡献问题.研究结果表明在整个正实数区间内高技术产业固定资产投资对GDP边际贡献高于全社会固定资产投资和城镇房地产开发固定资产投资对GDP边际贡献;在0～349578.8207亿元投资区间内,城镇房地产开发固定资产投资对GDP边际贡献高于全社会固定资产投资边际贡献平均水平;当投资额度大于349578.8207亿元时,城镇房地产开发固定资产投资对GDP边际贡献小于全社会固定资产投资边际贡献平均水平.研究结果印证了科技是第一生产力的论断,同时也与我国当前控制房地产开发投入、鼓励发展高新技术产业等宏观经济政策相吻合.     

西藏GDP发展趋势的数学模型及其因素分析

以近几年西藏GDP为研究对象,应用灰色系统理论建立了一个GDP发展趋势的预测模型.应用该模型进行预测,得到了预测结果.对影响GDP发展的主要投资因素进行系统分析,确定了各因素相对于GDP发展的关联程度.     

近期经济运行态势分析及全年主要经济指标的预测

本文对９５年我国宏观经济总运行状况进行了分析，并提出了应注意的几个问题。对下半年的宏观经济进行了预测和研究。     

基于逆向预测的初值修正Verhulst模型

国防开支关乎军队的发展和战斗力的提升,是宏观经济预测的一项重要内容.利用Verhulst模型解决"小样本、不确定性"问题的优势对国防开支进行预测.首先对Verhulst模型机理进行了简要的叙述,说明其初值选取不合理是产生误差的一个重要原因;其次提出一种逆向预测的模型改进思路,通过设定迭代次数等参数,对传统的Verhulst模型的初值进行修正,建立一种基于逆向预测的Verhulst模型.采集我国2009-2016年国防开支数据进行实例检验,并对2017年国防开支进行预测,证明该模型能够有效提高预测精度.     

传递函数模型在我国GDP数据分析中的应用

介绍传递函数模型的结构与建模方法,并对我国固定资产投资数据和GDP数据建立传递函数模型,利用该模型对我国GDP的变化规律进行分析和预测,得到较为满意的结果.     

基于GM(1,1)的贵州省GDP预测及产业结构的灰色关联分析

以贵州省2012-2018年GDP数据建立GM(1,1)灰色预测模型,用2019年GDP数据对模型预测精度进行误差检验,并对未来三年GDP的增长状况作了科学预测.运用灰色关联分析方法,通过关联度比较分析贵州省GDP与产业结构之间的关系,研究得到未来三年贵州省的GDP仍会以较快的速度增长,第二产业对贵州省GDP的影响最大,第一产业对GDP的影响最小的结论.     

基于MCMC方法的ARFIMA模型贝叶斯分析及实证研究

在经济领域中,时间序列具有序列相关和长记忆等特征,用考虑了时间序列短记忆性和长记忆的ARFIMA来模型分析研究经济时间序列有利于提高拟合及预测的精度。近几十年来对ARFIMA模型参数估计和分数差分算子阶数d的研究越来越多,该模型的应用也越来越广泛。基于贝叶斯方法在参数估计中的优越性,本文结合众多应用此方法的文献所得到的后验分布特点,提出了合理的先验分布,考虑到计算难度,采用MCMC方法对模型的参数进行估计,最后应用我国过去几十年的GDP数据进行实证分析,得到了ARFIMA模型参数的后验分布图、均值、方差及95%的置信区间。     

我国省域人口的时序预测模型的选择——基于预测精度、偏差和不确定性的分析

人口预测作为区域规划和政策决策的依据对于区域经济社会可持续发展有重要理论价值和现实意义.目前已有不少学者使用时序模型进行了人口预测,但从预测精度、偏差和不确定性角度考虑时序模型选择的研究几乎没有.利用ARIMA模型对我国部分具有代表性的省域进行人口预测的基础上,探讨了不同基区间、临界年及预测区间等条件下人口最优时序预测模型选择的一般性规律.研究发现,一些ARIMA模型能提供相对精确的结果,另一些则不能;线性与非线性模型在预测精度上有较大差异;历史数据长短可能导致选择不同的模型;不同精度视角下的模型选择有较强一致性,但也有一定程度的不确定性.     

工业化、城镇化进程中电力需求分析及预测

随着工业化、城镇化进程的不断加快,我国电力需求量将持续上升。电力的充足供应是我国经济稳步发展的重要保证,故合理准确的对电力需求进行分析及预测具有重要的现实意义。基于此,分析我国电力需求现状,利用通径分析筛选电力消费需求的核心驱动因素。在模型选择的基础上,基于单变量(ETS、ARIMA模型)和多变量(情景分析)两个维度进行电力需求量分析及预测。结果表明:GDP每提高1%使得电力需求量提高0.5249%;工业化水平每提高1%使得电力需求量提高2.2146%,城镇化水平每提高1%使电力需求量相应提高1.0076%。“十二五”末中国电力消费需求量将近61425.96KW/h,2020年中国电力消费需求将近81410.10KW/h。     

基于时间序列分析方法的伊犁州GDP的预测研究

基于时间序列理论,以伊犁州1978年至2014年来生产总值为基础数据,利用Eviewes8.0软件对数据进行处理分析,并对模型进行显著性检验,综合各种条件确定最终时间序列回归模型,对伊犁州未来三年的生产总值做出预测,为伊犁州党委、政府制定相关经济政策和发展战略提供科学依据.     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

基于乘积季节模型的社会消费品零售总额分析

社会消费品零售总额是反映人们消费水平的重要度量指标,也是国民经济体系中的一个重要评价指标.因此,分析研究社会消费品零售总额发展趋势对于转型期的中国经济高质量发展具有重要意义.基于乘积季节模型对2001年至2020年的社会消费品零售总额数据进行时间序列分析,经过差分、单位根检验、模型识别与拟合等过程,确定最终模型为ARIMA(1,1,1)(1,1,0)12,结果表明,社会消费品零售总额数据具有明显的线性趋势和季节性特征,并进一步得出其波峰和波谷到达的时间,另外,该模型对社会消费品零售总额有非常好的拟合效果,且有较高的预测精度.     

基于贝叶斯向量自回归的区域经济预测模型:以青海为例

由于缺乏足够的观测数据等原因,常规的区域经济预测模型在我国难以获得预期的预测效果,而贝叶斯向量自回归(BVAR)模型将变量的统计性质作为参数的先验分布引入到传统的VAR模型中,能够克服自由度过少的问题,以青海为例,本文建立了一个BVAR模型,并引入了全国GDP和中央政府转移支付作为外生变量以描述国民经济与区域经济的联系...     

宏观调控“两难”新环境下中国CPI运行定量分析——基于改进的BP神经网络

当前,我国经济继续回升向好,但宏观调控面临的"两难"问题增多.如何防止经济快速下滑和防范通货膨胀成为当前宏观经济决策的重要内容,准确预见我国价格运行趋势对宏观决策具有十分重要的意义.1997年和2008年分别发生了对世界经济发展影响深远的两次金融危机.两次金融危机发生后,中国政府均实施了大规模的经济刺激计划,但反映经济运行的主要宏观经济指标CPI月度指数从危机发生当年的次年开始,步入了长达数月负区间运行.研究发现1997年金融危机发生前后月度CPI指数运行相关度非常高,2008年金融危机发生当年月度CPI指数与2007年、2009年月度CPI指数运行相关度也非常高.对此,运用改进的BP神经网络模型对1995-1999年中国月度CPI指数进行学习,以2006-2009年月度CPI指数数据为基础,对2010年中国下半年月度CPI指数进行了预测,显示全年CPI指数预计为102.85.对此,认为2010年我国面临适度的通胀压力,提出了应对政策建议.     

基于深度学习的交通运输业能耗预测——以“一带一路”主要经济体为例

为合理规划一次能源使用,深入推进节能减排,需对交通运输能耗进行预测.使用灰色综合关联度模型筛选出客运、货运和经济发展水平三个方面共八个影响因素作为模型输入,提出了主要由LSTM层、Dropout层和Bi-LSTM层构成的深度学习模型,并使用天牛群优化算法精调模型超参数,在此基础上对2019至2025年中国、印度、东南亚和巴基斯坦四个"一带一路"沿线经济体交通运输能耗进行预测.研究结果表明:首先,BSO-LSTM模型较GA-BPNN、GA-SVR、GA-LSTM和PSO-LSTM模型具有最高的预测精度.其次,2019-2025年,中、印、东、巴交通运输业能耗总体上在波动中上升,年均增长率分别为2.92%、5.64%、3.05%和4.88%.再次,2024年中、印、东、巴交通运输业单位GDP能耗分别为29.41、37.41、46.67和83.12,除巴基斯坦外,较2018年均有所下降.最后,中国、东南亚2018-2024年交通运输业能源消费弹性系数较2012-2018年有所下降,而印度、巴基斯坦仍保持上升趋势.     

Volatility forecasting for interbank offered rate using grey extreme learning machine: The case of China

Interbank Offered rate is the only direct market rate in China’s currency market. Volatility forecasting of China Interbank Offered Rate (IBOR) has a very important theoretical and practical significance for financial asset pricing and financial risk measure or management. However, IBOR is a dynamics and non-steady time series whose developmental changes have stronger random fluctuation, so it is difficult to forecast the volatility of IBOR. This paper offers a hybrid algorithm using grey model and extreme learning machine (ELM) to forecast volatility of IBOR. The proposed algorithm is composed of three phases. In the first, grey model is used to deal with the original IBOR time series by accumulated generating operation (AGO) and weaken the stochastic volatility in original series. And then, a forecasting model is founded by using ELM to analyze the new IBOR series. Lastly, the predictive value of the original IBOR series can be obtained by inverse accumulated generating operation (IAGO). The new model is applied to forecasting Interbank Offered Rate of China. Compared with the forecasting results of BP and classical ELM, the new model is more efficient to forecasting short- and middle-term volatility of IBOR.