基于ARIMA 模型的中国工业增加值发展趋势分析

2020-12-28杨梦莹YANGMengying

价值工程 2020年34期

杨梦莹YANG Meng-ying

（北京信息科技大学经济管理学院，北京100192；智能决策与大数据应用北京市国际科技合作基地，北京100192）

0 引言

改革开放以来，我国经济在各个领域均取得了飞速发展，各行业经济增长奇迹不断涌现。工业作为物质生产的重要部门，长期以来保障着人民群众的基本生活，也支撑着我国经济的持续发展。自1978 年起，我国工业经济增加值占国内生产总值比重长期保持在40%左右。尽管自2010 年起，工业经济占比有所下降，在2018 仅为33.90%，依然是我国GDP 占比最高的生产部门。对中国工业增加值的研究，对我国国民经济发展进程的研究有着重大的意义。

2014 年，我国工业增加值突破23 万亿人民币（约合4万亿美元），首次超越美国，成为世界头号工业强国。1978年以来，我国工业增加值年均增速高达14.31%，领先于全世界绝大多数国家。然而近年来，随着经济增长方式的转型，我国工业增加值以逐渐由两位数的增长回归至一位数的增长。我国工业经济后续的发展成为了一个值得进一步关注的问题。

本文基于1978-2018 年共计41 年的中国工业增加值的数据，建立ARIMA 模型进行时间序列分析，以此为基础对我国工业经济发展趋势进行分析，并对未来五年内中国工业增加值增长速度进行预测。

1 数据说明与模型选择

1.1 数据来源与数据描述

本文以中国1978-2018 年中国工业经济为样本，采集了共计41 年的中国工业增加值数据，数据均来自于国家统计局，数据较为详实可靠。出于数据平稳性的考虑，本文以中国工业增加值的增长速度为研究对象，采用拉式法则进行增速的计算，计算方式如下：

增速t=（增加值t/增加值t-1-1）*100%

将工业增加值转换为增速之后，数据变化趋势相对平稳。根据计算结果，绘制中国工业经济增速走势图如图1。

图1 中国工业经济增速走势

由图1，中国工业经济长期保持着正向的增速水平，工业增加值长期保持增长；然而，这一增长速度并不稳定，上下波动持续存在。我国工业经济增速自改革开放以来波动上扬，1991-1996 年是我国工业经济增长的巅峰时期，增长速度长期保持在20%以上，但在之后很快回落；进入新世纪以来，我国工业经济增速开始回升，虽未能达到高峰时期的水平，但依旧长期保持着10%左右的增长速度。

1.2 模型选择

中国工业经济增速数据存在着明显的时间序列性质。对于时间序列数据的分析，存在着多种模型可供选择，其中上世纪70 年代提出的自回归积分滑动平均模型，也称ARIMA 模型，在众多模型中应用最为广泛，其应用涉及经济、环境、医疗等多个领域。

ARIMA 模型在保证时间序列平稳性的基础上，通过自回归（AR）、移动平均（MA）两方面内容对时间序列的演进进行解释，其本质是通过往期的数据对未来的趋势进行估计。

2 模型的建立与求解

2.1 平稳性检验

平稳性检验是ARIMA模型的首要步骤。当时间序列缺乏平稳性时，通过自回归变量和移动平均变量估计的结果会存在较大的误差。本文通过ADF 方法对向量中国工业经济增速进行平稳性检验，得出t统计量取值为0.0786，变量模型在10%水平下显著，但在5%和1%水平下均不显著。然而，为了尽量减少数据信息的损耗，本文不再进行进一步的差分以提高变量的平稳性，直接采用增速的原始数据进行时间序列分析。

2.2 模型的建立

ARIMA 模型的关键在于AR 因子与MA 因子滞后阶数的选择。当AR 因子与MA 因子的滞后阶数均限制在二阶以内时，通过排列组合各因子的滞后阶数，ARIMA 模型共有8 种建立形式，各模型的AIC 统计量与显著性水平如表1 所示。

表3 工业经济发展前景预测

表1 模型阶数的选择

如表1 所示，在各个模型中，AIC 准则取值基本接近。但模型S11 不仅AIC 取值最优，且各因子也基本显著，虽然AR（1）因子显著性不足10%，但依旧达到了较高水平，且删去这一因子会导致模型整体解释能力明显下降，因此本文最终将AR 因子与MA 因子的滞后阶数均设定为1阶。模型建立结果如表2 所示。