基于时间序列的工业经济预测分析
摘 要：经济预测具有长期的历史。准确的经济预测是提高政府管理效率、企业经营效率和个人投资效率的重要手段。相对于经济计量模型，时间序列分析的模型较少依赖经济理论，更多的是依靠数据自身的变化规律来预测，而机器学习尤其是深度学习对于非线性、非平稳数据的处理，变量非线性交互关系的反映都具有较大的优势。将深度学习算法应用于时间序列数据，可以反映金融时间序列数据的非线性及数据间的复杂交互关系，体现时间序列数据的序列相关特征，避免基于传统计量经济模型和浅层次机器学习的金融时间序列数据预测方法所存在的诸多问题。本文查阅了国内外应用时间序列进行经济预测方面的文献，国外学者以应用SVR模型、BNPP模型居多，均利用混沌时间序列进行预测，国内在经济预测方面的文献有3篇，分别运用了BP神经网络，贝叶斯向量自回归，脉冲响应分析方法对区域经济总体进行预测，尚无文献应用时间序列模型对地方工业经济进行预测分析，所以，同时查阅了国内基于时间序列模型对农业、房地产业和渔业的经济预测研究，为本题研究铺下了文献理论基础。
关键词：时间序列 预测模型 经济预测
- 引言
经济预测具有长期的历史。只要政府试图管理经济运行, 就必须进行某种形式的预测 .准确的经济预测是提高政府管理效率、企业经营效率和个人投资效率的重要手段 .长期以来, 经济定量预测以经济计量模型为主.经济计量模型预测区域经济更像是对国民经济预测的翻版, 是根据宏观经济理论建立联立方程组以描述经济变量之间的内在联系, 然后估计参数并进行预测。该方法的优点是, 以经济理论为建模基础, 较易解释经济变量的变化方向和大小。但经济计量模型方程组数量多且建模过程复杂，变量的预测误差相互累积影响最终的预测效果。相对于经济计量模型，时间序列分析的模型较少依赖经济理论，更多的是依靠数据自身的变化规律来预测，而机器学习尤其是深度学习对于非线性、非平稳数据的处理，变量非线性交互关系的反映都具有较大的优势。将深度学习算法应用于时间序列数据，可以反映金融时间序列数据的非线性及数据间的复杂交互关系，体现时间序列数据的序列相关特征，避免基于传统计量经济模型和浅层次机器学习的金融时间序列数据预测方法所存在的诸多问题。
- 国内外研究方向
随着经济在国家发展中的地位不断提高，经济发达国家广泛采用科学的预测技术, 用来探索经济的未来变化趋势, 并根据预测的发展趋势做出决策意见。在我国许多企业的发展战略和产品开发的决策过程中, 也成功地运用了各种经济预测技术及模型。随着金融产品的更新、金融体系的完善，经济方面的波动数据越来越多，时间序列预测法已然成为经济预测中的重点方法，成为国外众多学者的研究重点，目前已取得了较为丰硕的成果。
在国外，Box和Jenkins（1976）提出自回归求和移动平均模型--ARIMA模型[1]。Mulkherjee等（1997）首次提出用SVR对混沌时间序列进行非线性预测，并获得了较好的预测效果，Wu（2010）结合人工免疫系统算法改进BPNN模型，并对混沌时间序列进行预测，结果报名，该方法预测精度高，泛化能力优异。
在国内，邹子健（2010）选取了7个方面17项相对总体经济影响较大的指标建立经济预测指标体系，运用BP神经网络构建出区域经济预测模型，衡水市经济为实证来进行经济预测。最后,通过对预测值和实际值的比较分析来证明该方法在可以接受的的误差范围。王飞（2011）运用贝叶斯向量自回归(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,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，样本内和样本外的预测误差比较以及青海经济增长转折点的准确预测都表明BVAR区域经济预测模型优于其他预测模型. ，郑苏晋等（2019）采用VAR和VEC模型的脉冲响应分析方法，结合最新基于EGLS的Bootstrap方法对保险业服务经济增长的方式进行研究，既改善了小样本时间跨度不足问题，也避免了渐进 Wald 检验的扭曲效应，所得结论稳健性明显增强。
上文经济预测方面文献中用到了许多预测方法，但尚无文献使用时间序列模型对工业经济进行预测，而在其他领域方面，时间序列分析取得了较好的成果。谢园瑰（2013）利用SVR模型和BPNN模型为基础，发展了REMCC-BPNN模型，基于个最近训练样本拟合相对误差相关系数最小的原则选择BNPP的最优训练网络，避免了逐个确定参数的繁琐过程，直接确定最优的训练网络，同时，他提出了GS-RSR-SVR模型，结合GS模型定阶、“多轮末尾淘汰”自变量筛选、RSR训练样本选择等时间序列分析技术，实证表明，将两个模型应用到农业经济时间序列预测中，无论是预测精度还是预测稳定性都有很大程度的提高。蒋泽迪（2018）对时间序列数据进行拟合,分别建立了ARIMA乘积季节预测模型,叠合预测模型,灰色预测模型和一阶差分方程时间序列预测模型，用建立的模型分别对我国的房地产业增加值进行预测,最终,选择误差较小的预测模型作为我国房地产业增加值的预测模型,并将该模型运用到我国房地产业增加值的预测中,获得了较好的结果。蔡格菁（2019）采用时间序列ARIMA模型对渔业总产值进行预测,根据模型预测结果进行误差分析，利用居民消费价格指数(CPI)对模型进行进一步优化。以江苏省渔业总产值为例,验证了优化模型具有较好的预测效果。
- 总结
经过国内外学者的多年研究，在利用时间序列进行预测方面已取得丰硕的成果，在国外，研究者使用较多的是支持向量机非线性回归(SVR)和反向传播神经网络(BPNN)等方法进行预测。在国内，邹子健运用BP神经网络构建出区域经济预测模型，王飞用贝叶斯向量自回归(BVAR)模型对区域经济进行预测，郑苏晋等采用VAR和VEC模型的脉冲响应分析方法，结合最新基于EGLS的Bootstrap方法对保险业服务经济增长的方式进行研究，均取得了较好的结果。在此现状上，在经济领域应用较多且效果较好的时间序列模型往往应用于整体经济状况，并无文献应用在工业经济的预测上。因为工业经济与农业经济、渔业经济在广义上具有相似的性质--是一类具体的经济实体，所以查阅了国内将时间序列模型应用在农业经济预测、渔业经济预测的文献，谢园瑰利用SVR模型和BPNN模型为基础，发展了REMCC-BPNN模型，和GS-RSR-SVR模型，结合GS模型定阶、“多轮末尾淘汰”自变量筛选、RSR训练样本选择等时间序列分析技术，提高了农业预测的准确度。蒋泽迪对时间序列数据进行拟合,分别建立了ARIMA乘积季节预测模型,叠合预测模型,灰色预测模型和一阶差分方程时间序列预测模型，用建立的模型分别对我国的房地产业增加值进行预测,获得了较好的结果。蔡格菁采用时间序列ARIMA模型对渔业总产值进行预测,根据模型预测结果进行误差分析，并利用居民消费价格指数(CPI)对模型进行进一步优化，均取得了较好的效果综上述文献研究，本文将应用时间序列模型对工业经济进行预测，弥补这一空白区域。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
