新冠疫情对吉林省经济影响的统计分析

2022-02-21王燕飞魏金鑫

吉林化工学院学报 2022年1期

王燕飞，魏金鑫

(吉林化工学院理学院，吉林吉林 132022)

新冠疫情突如其来，吉林省经济发展面临新的挑战.研究疫情对吉林省经济发展的影响，利用疫情之前的历史数据，对疫情后的经济发展形势做出一个合理的判断，以便积极应对潜在风险，确保吉林经济在疫情冲击下还能有序地进行，具有一定的现实意义.关于新冠疫情对于经济影响的研究成果有很多，但主要集中在宏观方面.袁龙明越[1]分析了新冠肺炎疫情带来短暂的逆全球化现象及其原因.孙妍[2]从三大产业的角度分别阐述了新冠疫情对我国农业、工业和服务业的影响，并提出复苏经济的相关措施.潘家栋[3]以浙江省为例探讨新冠肺炎疫情对经济发展的影响路径及应对举措.而利用经济指标数据进行统计分析，以此研究新冠疫情的影响更具有说服力.为此，本文利用时间序列分析[4-7]的统计方法，针对地区生产总值、居民消费价格指数2个经济指标的历史数据，建立自回归求和移动平均模型(Autoregressive Integrated Moving Average，ARIMA)模型[8-10]，分析疫情对经济造成的影响,从而为政府出台调控经济政策提供一定的依据.

1 新冠疫情对吉林省地区生产总值影响的统计分析

地区生产总值指的是在限定的时间内，所有住房单位的生产活动的综合.概括来讲，所有行业增加值的和也可以认为是地区生产总值.根据吉林省统计年鉴中1990-2019年吉林省地区生产总值的数据，分析吉林省历年来地区生产总值的变化趋势.利用R软件进行时间序列分析.时序图如图1所示.

年序号图1 吉林省地区生产总值时序图

对数据进行自相关检验，如图2可知，自相关系数长期大于0，因此数据为非平稳序列.需要对数据进行一阶差分，得到差分后数据时序图，见图3.并再次对其作自相关检验，结果见图4.

年序号图2 吉林省地区生产总值自相关图

年序号图3 吉林省地区生产总值一阶差分时序图

年序号图4 吉林省地区生产总值一阶差分自相关图

由图4可知，自相关系数仍保持长期大于0，因此一阶差分后数据仍为非平稳序列.故需要再次进行差分，得到二阶差分后数据时序图(图5)和自相关图(图6).

年序号图5 吉林省地区生产总值二阶差分时序图

由图5可知，时序图在均值附近平稳波动，自相关有很强的短期相关性.所以二阶差分后序列表现为平稳.从二阶差分后的自相关图可以看出，ACF值迅速跌入置信区间，没有收敛趋势，显示出拖尾性.所以考虑选用AR(1)模型拟合二阶差分后的序列，即对原始序列使用ARIMA(1,2,0)模型.对二阶差分后的残差序列进行白噪声检验，得p值为0.179 6>0.05，故残差为白噪声序列，有用信息均已提取，模型合理.对模型参数进行估计，AR(1)模型系数的最小二乘估计值为-0.001 5.即得到ARIMA(1,2,0)模型为：

(1+0.0015B)(1-B)2Xt=εt,εt～N(0,1).

利用该模型预测2020年吉林省地区生产总值12 199.62，低于真实值12 311.32.

年序号图6 吉林省地区生产总值二阶差分自相关图

另外，对吉林省地区生产总值的2019第四季度-2020第四季度数据进行分析，见下图7.从疫情暴发开始到疫情趋于稳定，吉林省地区生产总值呈现先大幅度下降再稳步回升的变化趋势.事实上，2019年12月，武汉爆发新冠疫情，由于正值春节期间人流密集，人们的活动范围广，致使全国大部分省市都受到了疫情的冲击.吉林省也不例外，为了防控疫情，人们实行居家隔离，这些措施使企业摆停以及各个产业都受到了影响，吉林省的经济遭到了很大程度的冲击.其中，衡量经济实力的地区生产总值，在疫情期间也受到了短期冲击.之后，随着国家对疫情防控措施的有效执行，经济逐渐恢复.最终对全年的生产总值影响不大.

图7 2019第四季度-2020第四季度吉林省地区生产总值

2 新冠疫情对居民消费价格指数(CPI)影响的统计分析

居民消费价格指数(CPI)，用于反映一定时期内居民消费或服务的物价水平改变的重要指标.在重大突发事件下，经济的运行会发生变化.在疫情下CPI的运行趋势，不仅反映了重大突发事件对经济和居民生活的影响，而且还影响了随后的宏观经济决策.

搜集吉林省统计年鉴中2012年1月到2020年5月吉林省CPI数据，利用R软件可得到序列的时序图(图8)和自相关图(图9).

年序号图8 CPI序列时序图

年序号图9 CPI序列自相关图

由图9可以看出吉林省CPI数据序列不是平稳的序列.于是对CPI序列进行一阶差分，得到时序图(图10)及自相关图(图11).显然，ACF值基本落在置信区间以内，序列为平稳序列.故选取ARIMA(m,1,q)模型.

利用AIC准则进行模型识别和定阶，寻求AIC最小值时的模型即为最优模型.不同m,q值对应的AIC值如表1所示.

年序号图10 CPI一阶差分时序图

年序号图11 CPI一阶差分自相关图

表1 不同m,q对应的AIC值

显然，当m=1,q=1时，AIC值最小.因此选取ARIMA(1,1,1)为预测模型.对一阶差分后的残差序列进行白噪声检验，得p值为0.939 2>0.05，故残差为白噪声序列，有用信息均已提取，模型合理.对模型参数进行估计，AR(1)模型系数的估计值为0.714 2，MA(1)模型系数的估计值为0.869 0.即得到ARIMA(1,1,1)模型为：

(1-0.7142B)(1-B)Yt=(1-0.869B)εt,εt～N(0,1).

根据此模型，预测2020年1月-5月的CPI值，预测值与真实值对比结果表2及图12.

表2 2020年1月到2020年5月CPI预测值

月份图12 CPI预测值与真实值对比趋势图

通过对比2020年1-5月份CPI的真实值和预测值，我们知道在一月份疫情尚未全面暴发，又正值春节来临，人们会大量囤货、购买商品使得一月份的CPI大大增加.进入二月份，疫情开始进入防控阶段，所以疫情对物价水平带来强烈冲击，物价水平开始降低.从供给和需求两方面来分析：首先，由于疫情道路封锁、交通不便，导致配送困难，产品的成本开始上升，企业无法复工，产品的生产和供给受到影响；从需求来看，由于疫情人们居家隔离，餐饮、住宿、旅游基本全面摆停，人们对物品的需求程度降低.所以相比预测值来看，真实值受疫情影响呈现一个下降的趋势，可见疫情对CPI在短期内有一定的冲击.