- 相關(guān)推薦
基于ＧＭＤＨ的成都市宏觀經(jīng)濟(jì)主要指標(biāo)預(yù)測(cè)模型構(gòu)建
[摘要] 本文利用自組織數(shù)據(jù)挖掘算法，探索使用Knowledge Miner 軟件對(duì)成都市宏觀經(jīng)濟(jì)主要指標(biāo)建立預(yù)測(cè)模型，比較分析各模型的優(yōu)劣，并結(jié)合成都市經(jīng)濟(jì)數(shù)據(jù)深入分析。[關(guān)鍵詞] 自組織數(shù)據(jù)挖掘算法 知識(shí)挖掘 主要指標(biāo)
一、引言
經(jīng)過(guò)長(zhǎng)期的發(fā)展, 宏觀經(jīng)濟(jì)預(yù)測(cè)研究在建立與使用定量預(yù)測(cè)模型和定性預(yù)測(cè)模型等諸多方面取得了長(zhǎng)足的進(jìn)步。由烏克蘭科學(xué)院A.G.Ivakhnenko首次提出的GMDH算法，兼具定性定量的研究特點(diǎn)，較好的剔除了個(gè)人主觀因素對(duì)指標(biāo)的干擾，結(jié)合Knowledge Miner軟件能夠建立較優(yōu)的經(jīng)濟(jì)預(yù)測(cè)模型，
成都市的經(jīng)濟(jì)總量占全省的32%，人均年GDP名列中國(guó)西部省會(huì)第一，采用成都市的指標(biāo)作為對(duì)象具有很強(qiáng)的說(shuō)服力。
二、GMDH自回歸模型介紹
數(shù)據(jù)分組處理方法（簡(jiǎn)稱 GMDH）是一種基于遺傳進(jìn)化的演化方法，它依據(jù)給定的準(zhǔn)則從一系列候選模型集合中挑選較優(yōu)模型。GMDH算法通過(guò)遺傳變異和篩選，產(chǎn)生很多具有不斷增長(zhǎng)復(fù)雜度的候選模型，直至模型在觀測(cè)樣本數(shù)據(jù)上產(chǎn)生過(guò)擬合為止。該方法需要一定量的初始模型，這些初始模型(或稱神經(jīng)元)可以通過(guò)微分或差分方程組，或者是它們的解來(lái)描述。
GMDH自回歸模型基于黑箱方法，從輸入輸出數(shù)據(jù)的樣本來(lái)分析系統(tǒng)，并通過(guò)基本函數(shù)網(wǎng)絡(luò)來(lái)描述復(fù)雜函數(shù)，因此很適合對(duì)周期性比較強(qiáng)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)效果較好。
三、模型構(gòu)建與比較分析
假設(shè)： X1—GDP，X2—財(cái)政收入，X3—財(cái)政支出，X4—社會(huì)消費(fèi)品零售總額，X5—城市居民就業(yè)人口
為了增強(qiáng)可比性，均采用數(shù)據(jù)長(zhǎng)度29，其中檢驗(yàn)集為1978年～2000年23年的原始數(shù)據(jù)，相關(guān)模型輸入變量個(gè)數(shù)34，訓(xùn)練集為2001年～2006年的數(shù)據(jù)，最大時(shí)滯均為 6， 由Knowledge Miner軟件分別建立預(yù)測(cè)模型對(duì)比結(jié)果如表。數(shù)據(jù)來(lái)源于成都市2007年統(tǒng)計(jì)年鑒。
可見，以GDP（X1）為因變量的預(yù)測(cè)模型篩選出輸入變量財(cái)政收入（X2），社會(huì)消費(fèi)品零售總額（X4），城市居民就業(yè)人口（X5），說(shuō)明，財(cái)政收入、社會(huì)消費(fèi)品零售總額、城市居民就業(yè)人口在某種程度上影響著GDP，而社會(huì)消費(fèi)品零售總額、城市居民就業(yè)人口因?yàn)榇嬖谝欢ǖ木�性關(guān)系導(dǎo)致X4、X5的系數(shù)為負(fù)。對(duì)于財(cái)政收入來(lái)說(shuō)，受到社會(huì)消費(fèi)品零售總額和財(cái)政支出的影響，同時(shí)，從財(cái)政支出的預(yù)測(cè)模型來(lái)看財(cái)政收入，社會(huì)消費(fèi)品零售總額又是財(cái)政支出的影響因素,本次指標(biāo)體系的城市居民就業(yè)人口指標(biāo)沒(méi)有受到其它指標(biāo)的影響。
結(jié)合成都市宏觀經(jīng)濟(jì)的經(jīng)濟(jì)現(xiàn)狀，特別是針對(duì)成都市GDP來(lái)說(shuō)，GDP的計(jì)算包括了財(cái)政收入，社會(huì)消費(fèi)品零售總額，而城市居民就業(yè)人口通過(guò)影響職工的工資收入同樣影響著GDP的數(shù)據(jù)，可見通過(guò)Knowledge Miner可辨別指標(biāo)之間某些內(nèi)在聯(lián)系，實(shí)際可行。
對(duì)比兩種建模結(jié)果的PESS（預(yù)測(cè)誤差的平方和），有，X1（GDP），X2（財(cái)政收入），X3（財(cái)政支出），X4（社會(huì)消費(fèi)品零售總額）四個(gè)指標(biāo)都或多或少的受到其他指標(biāo)的影響，而X5（城市居民就業(yè)人口）模型的內(nèi)生變量不包含其他任何指標(biāo)，針對(duì)相同的指標(biāo)所建立的預(yù)測(cè)模型，對(duì)比可看出X1（GDP），X2（財(cái)政收入），X3（財(cái)政支出），X4（社會(huì)消費(fèi)品零售總額）四個(gè)指標(biāo)的單指標(biāo)自回歸模型的PESS值明顯劣于相關(guān)自回歸模型，而對(duì)于不包含其他指標(biāo)的X5（城市居民就業(yè)人口）則正好相反，由此可推出，使用knowledgeminer進(jìn)行經(jīng)濟(jì)預(yù)測(cè)時(shí)，先分析各指標(biāo)間的相關(guān)性，再選擇相應(yīng)的自組織數(shù)據(jù)挖掘算法效果更佳。
四、結(jié)術(shù)語(yǔ)
采用定性和定量分析相結(jié)合的方法對(duì)成都市宏觀經(jīng)濟(jì)主要指標(biāo)建立預(yù)測(cè)模型后，本人發(fā)現(xiàn)使用knowledgeminer在進(jìn)行經(jīng)濟(jì)預(yù)測(cè)建模時(shí)，首先進(jìn)行相關(guān)自回歸建模，后再使用單指標(biāo)自回歸模型，能夠有效的提高預(yù)測(cè)的準(zhǔn)確度。
參考文獻(xiàn)：
賀昌政:自組織數(shù)據(jù)挖掘與經(jīng)濟(jì)預(yù)測(cè)[M].科學(xué)出版社，2005
畢業(yè)論文搜集整理：
【基于ＧＭＤＨ的成都市宏觀經(jīng)濟(jì)主要指標(biāo)預(yù)測(cè)模型構(gòu)建】相關(guān)文章：
基于灰色—回歸預(yù)測(cè)模型的鐵路客運(yùn)量研究03-07
基于生態(tài)位的物流配送中心選址模型構(gòu)建12-10
基于組合模型的防城港貨物吞吐量預(yù)測(cè)研究03-07
基于休閑限制理論女大學(xué)生體育休閑限制模型構(gòu)建12-04
品牌延伸量化模型構(gòu)建12-08
社區(qū)商業(yè)建設(shè)評(píng)價(jià)指標(biāo)體系構(gòu)建02-27