RCEP对中日贸易影响的实证分析

摘要：2022年1月1日，中国、日本、韩国等国正式实施《区域全面经济伙伴关系协定》（RCEP）。基于RCEP背景，本文研究中国进口日本贱金属制品对中日自贸区建设的积极影响。通过ARIMA时间序列模型对2022年中日贱金属贸易额进行预测，运用Eviews9.0软件构建ARIMA（2，1，1）模型并进行实证分析。结果显示：RCEP协定生效后2022年中国进口日本贱金属贸易额保持增长趋势，但模型预测值略低于实际贸易额。因此，中日两国应在数字经济领域加强合作，缩短成果转化周期促进经济持续化发展，加强绿色清洁能源的研究和应用以推动经济高质量发展，旨在为我国工业经济的高质量发展提供一定的参考。

关键词：RCEP协定；自贸区；贱金属及其制品；ARIMA；国际贸易

中图分类号：F742；F407.4文献标识码：A文章编号：2096-0298（2025）01（b）--05

1引言

以世界贸易组织（WorldTradeOrganization，WTO）为代表的全球经贸合作机制逐渐式微加上国际经贸发展走势的持续低迷，此时区域经济组织的经贸合作机制正在逐步加强，其中以北美自由贸易区和欧洲联盟最为典型。《区域全面经济伙伴关系协定》（RegionalComprehensiveEconomicPartnership，RCEP）在各国努力下于2022年1月1日正式签署生效。RCEP协定生效为东亚地区带来一个全新的开端，代表各国为了共同维护多边主义和自由贸易、促进区域经济一体化的信心和决心，表明全球参与人口最多、成员结构最广泛、发展最具潜力的东亚自由贸易区正式启动建设，为东亚经济圈经济健康发展、投资增长、企业开展国际交流提供有利平台。

中国和日本作为东亚区域经济价值链中的轮轴国，中日双方开展友好的经贸合作对东亚区域经济发展有着至关重要的影响。在RCEP协定提出前，由于政治互信度波动的干扰，以及对于敏感产业开放度等问题存在分歧，中日间的经贸合作关系无法保持长期稳定，并促使中日自由贸易区的建设被迫搁置。但自RCEP协定签署后，中日将通过RCEP建立全新的自由贸易合作关系，中国和日本首次达成关税减让安排，这对中日自由贸易区的建设是一个利好信息。这表明中日经贸合作虽受到政治关系的影响，双方经贸往来的态度存在波动和起伏，但RCEP协定的介入或许能够推动中日经贸合作进入一个新阶段，打破阻碍中日自由贸易区建设的尖冰，使中日自由贸易区建设有实质性的突破。

中国正处于由工业制造大国向工业制造强国的历史转型阶段，日本也处于资源优化，发展新能源的进程中。贱金属及其制品作为中日经贸往来的大宗货物，不仅对中国的贱金属及其制品市场会产生重大影响，还会对日本寻找新的资源优化途径起着积极作用。

本文选取2003—2022年中国进口日本贱金属及其制品贸易的月度数据构建ARIMA时间序列进口额预测模型，通过多次检验来分析模型参数，对参数进行对比后确定最优参数，以此来建立最符合模型分析步骤的ARIMA预测模型。通过模型实证分析、模型显著性检验、模型结果分析验证RCEP协定对中日双边贸易发展的影响。

2文献综述

RCEP自2020年11月15日签署后，经济领域中的诸多学者便研究RCEP协定签署对东亚区域经济的作用，宋志勇，蔡桂全（2021）用全球贸易分析模型（GlobalTradeAnalysisProject，GTAP）预测RCEP协定在服务贸易领域和实物贸易领域中涉及关税减让的产品对日本经济效益的影响。模型结果表明日本出口贸易规模将会扩大，中日自由贸易区建立的可行性将提高。沈汉溪，林坚（2007）通过建立自回归积分滑动平均模型（AutoregressiveIntegratedMovingAveragemodel，ARIMA）来预测中国2006—2010年外贸进出口额。武娇艳，李方（2015）通过序列平稳化检验、单位根检验、一阶差分等方式建立序列预测模型来预测中国2014年前9个月的进出口增长，并为中国政府制定未来的经济政策提供宝贵的数据支撑。

国外对RCEP协定的研究主要是从关税减让对成员国出口贸易影响的角度出发。Jia和Yi（2022）运用ARIMA时间序列预测模型从个人、社会、政府三个角度对中国第三产业的投资价值进行检验，并引入向量自回归模型（VectorAutoregressivemodel，VAR）探究消费者因素与第三产业增值间的关系，对第三产业如何进一步发展提出政策建议。Goyal（2022）基于Box-Jenkins创建的ARIMA预测模型用于建模和分析贸易数据，将印度农产品出口数据按照ARIMA流程建模，分析p、d、q值将印度农产品出口数据从非平稳序列差分为平稳序列，并根据拟合模型得到印度农产品出口额估算结果，为印度农产品出口贸易提供理论依据。

3理论设计

3.1理论分析及模型简介

ARIMA模型称为自回归积分滑动平均模型，也称为Box-Jenkins模型，是一种常用的随机时序模型，通过将预测对象的数据序列视为一个随机序列，并利用特定的数学模型来近似描述，可以有效预测未来的变化趋势。

3.2指标选取、数据来源与模型构建

本文以中国进口日本贱金属及其制品作为研究对象。由于贱金属及其制品属于工业和经济领域的重要组成部分而ARIMA模型为时间序列模型，模型的精确性主要取决于样本规模。因此，为确保样本数据具备一定规格，以及考虑数据的连续性和日期的统一性，本次数据将选取2003—2022年月度数据为研究期。

3.2.1指标选取

本次选择中国进口日本贱金属及其制品贸易额进行时间序列预测分析。

3.2.2数据来源

本研究中的样本数据来源于《国研网对外贸易数据库》。

3.2.3建模步骤

ARIMA模型属于时间序列模型，需要通过系统的建模过程确保ARIMA模型的拟合优度能够符合各测量指标和研究目的，因此对ARIMA模型的建模方式进行具体介绍。

模型平稳化处理和平稳性检验：对原始时间序列进行平稳性处理，若不满足平稳性的限制条件，可以通过差分变换或者其他变换（如先取对数再差分）将不平稳时间序列变为平稳时间序列。对于一个非平稳时间序列{Yt}，如果可以通过d次差分使{Yt}变为平稳时间序列，则称序列{Yt}为d次的单整序列，记为{Yt}-Id序列。记差分后的序列为{Xt}，则有

∇2yt=∇yt-yt-1=yt-2yt-1+yt-2（1）

模型构建：对{Yt}平稳时间序列构建ARMA（p，q）模型：

Φ∇Bdyt=θBεt（2）

式中，t=1，···，t表示时间序列的观测值，p为自回归系数，是自回归模型（AutoRegression，AR）的阶数。ΦB=1-Φ1B-Φ2B2-…-ΦpBp是自回归系数；q为滑动平均系数是滑动平均模型（MovingAverage，MA）的阶数。θB=1-θ1B-θ2B2-…-θqBq是滑动平均系数；εt是模型在t期，t-1期，···，t-q期的误差，C是常数。

模型识别：利用AIC准则和SC准则来衡量不同的ARMA（p，q）模型的拟合优良性并确定合适的滞后期长度。

模型参数估计和检验：通过评估所选择的ARIMA模型的残差值，以确定其是否具有白噪声特征。若残差序列为白噪声序列，则证明拟合模型选取成功。若残差序列不为白噪声序列，则需对拟合模型做进一步优化。

模型预测：使用ARIMA模型来分析和预测未来的变化趋势，得到时间序列的未来值以便更好地掌握未来的发展情况。

4基于ARIMA预测模型的实证分析

样本数据来源于《国研网对外贸易数据库》以中国2003—2022年中国进口日本贱金属及其制品的月度数据为样本，通过Eviews9.0对ARIMA的建模进行深入研究和评估，利用2022年1月—2022年3月的进口额数据检验模型的预测优度，通过所选模型对2022年的贱金属及其制品进口额进行预测并与2022年真实贸易数据对比，分析ARIMA预测模型有效性。

4.1ARIMA总样本模型构建分析

4.1.1平稳性检验

2003—2008年数据大致保持增长趋势，而2009年、2011年和2012年数据落差明显，属于异常点。2013—2020年数据大体呈现下降趋势。因此，从子样本的变化和异常点可得出总体数据波动性较明显，出现突兀的下行和上升趋势，存在非平稳性。不能直接用ARIMA模型进行建模，而是先进行对数处理，消除数据增长趋势性和季节性再对总体数据进行差分平稳化处理。

总样本一阶差分后数据走向以0为分界线上下波动，不再呈现明显的上升或下降趋势，证明数据已经消除增长趋势性和季节性。之后对数据样本做单位根检验，如表1所示，总样本单位根检验的t统计量=-3.821787，小于检验水平为1%的T统计量测试临界值，而且模型所得P值较小仅为0.0032。基于一阶差分时间序列的特性，拒绝数据样本存在单位根的原假设，认为总样本一阶差分时间序列是平稳的，并确定模型阶数d=1。

4.1.2ARIMA模型建立

由总样本ARIMA模型一阶差分后的ACF和PACF图的趋势变化可知，序列的自相关函数在2阶截尾，因此得到q=0，1，2；p=0，1，2。选取q、p值进行比较确定，用最合适的ARIMA（q，1，p）模型进行预测分析。

总样本数据模型有ARIMA（1，1，1）、ARIMA（1，1，2）、ARIMA（2，1，1）、ARIMA（2，1，2）四种表达方式，需对四个模型运用AIC准则和SC准则来选择最佳样本模型。根据AIC准则和SC准则的判定方法，AIC和SC的数值越小代表该模型的拟合效果越优。在表2中，ARIMA（2，1，1）模型的AIC=-1.081933和SC=-1.021392小于ARIMA（1，1，1）、ARIMA（1，1，2）和ARIMA（2，1，2）的AIC值和SC值。这表明ARIMA（2，1，1）符合检验标准，因此总样本时间序列相对适用于ARIMA（2，1，1）。

4.1.3ARIMA模型检验

本文需对ARIMA模型残差序列进行平稳性检验，若残差序列项表现为白噪声序列，则模型拟合结果可以被接受；反之，模型需再度优化。因此，对总样本ARIMA（2，1，1）模型残差序列进行检验，得到t统计量为-2.926958小于显著性水平5%的临界值，对应P值为0.0442，说明拟合模型的信息提取较充分，证明ARIMA（2，1，1）模型对2003—2021年中国进口日本贱金属及其制品序列拟合成功。

4.1.4ARIMA模型预测

本文利用2003—2021年的数据对2022年RCEP协定生效后中国进口日本贱金属及其制品的月度数据进行预测，表3中2022年1月—2022年3月的实际值为RCEP协定生效后中国从日本进口贱金属及其制品的贸易额，而预测值则是ARIMA（2，1，1）模型拟合得到的数据。分析其差值可以得出，RCEP协定生效后中国从日本进口的贱金属进口额增长，表明总样本模型构建较为完善，符合RCEP协定生效推动中日经贸发展的假设。

4.1.5ARIMA总样本模型预测数据分析

如表3所示，2022年中国进口额的预测值约为174.577亿美元，2022年实际进口额为164.936亿元。由于实际因素的影响，实际值低于预测值9.641亿美元，但仍接近于模型预测范围的下限值，即165.849亿美元。这证明RCEP协定切实能够促进中日经贸发展，推动中日自贸区建设，可通过子样本模型构建分析进一步验证ARIMA模型的可行性。

4.2第一子样本模型构建

将总样本模型按照数据上升或下降趋势分为2003—2008年和2012—2020年两个子样本模型，并对两个子样本模型进行实证分析。因为模型建模步骤一致，所以不以表格形式展示子样本单位根检验、AIC准则和SC准则以及残差序列检验结果。

4.2.1平稳性检验

第一子样本的样本时间范围为2003—2008年中国进口日本贱金属及其制品进口额，样本数据总体保持增长形势，并且具有明显的趋势增长和季节性，因此第一子样本的样本数据存在不平稳性，应通过一阶差分处理将其转化为平稳时间序列。

第一子样本经过一阶差分后数据趋势同样以0为分界线上下波动，证明数据已经消除增长趋势性和季节性。之后对数据样本做单位根检验，数据样本ADF检验的t统计量=-10.70591，明显小于检验水平为1%的T统计量临界值，P值为0.0001。拒绝第一子样本存在单位根的假定，得出第一子样本一阶差分时间序列平稳化，且模型阶数d值为1。

4.2.2ARIMA模型构建

由第一子样本一阶差分时间序列的ACF和PACF图可知，自协方差函数中的q系数在2阶截尾，选择最合适的ARIMA（q，1，p）模型进行预测分析。

第一子样本数据模型有ARIMA（1，1，1）、ARIMA（1，1，2）、ARIMA（2，1，1）、ARIMA（2，1，2）对这四个模型运用AIC准则和SC准则来选择最佳样本模型，ARIMA（1，1，2）模型的AIC=-1.305498和SC=-1.178023符合检验标准，因此第一子样本时间序列相对适用于ARIMA（1，1，2）。

4.2.3ARIMA模型检验

对第一子样本的ARIMA模型的残差序列做单位根检验，得到ARIMA（1，1，2）模型残差扰动项P值=0.0000，t值=-7.316995小于显著性水平1%临界值，说明模型的信息提取充分表明第一子样本ARIMA（1，1，2）模型对2003—2008年中国进口日本贱金属及其制品序列拟合成功。

4.3ARIMA第二子样本模型构建分析

4.3.1平稳性检验

第二个子样本的样本时间为2012—2020年，根据第二子样本时间序列图可知样本数据下降趋势明显，波动性较大，样本数据存在不平稳。同样应通过一阶差分处理将其转化为平稳时间序列。

经观察第二子样本一阶差分图，得出数据以0为分界线上下波动，证明数据已经消除下降趋势性。同样数据进行单位根检验，第二子样本ADF检验的t统计量=-14.58044，小于检验水平为1%统计量临界值，P值=0.0000，因此否定样本存在单位根的假定条件，表明第二子样本时间序列平稳化且模型的阶数d=1。

4.3.2ARIMA模型构建

观察一阶差分ARIMA模型的ACF和PACF图，自协方差函数中的自相关函数q在2阶截尾，选择最合适的ARIMA（q，1，p）模型进行预测分析。

第二子样本模型共有ARIMA（2，1，1）、ARIMA（2，1，2）、ARIMA（1，1，1）、ARIMA（1，1，2）对这四个模型运用AIC准则和SC准则来选择最佳样本模型，ARIMA（2，1，1）模型的AIC=-1.053812和SC=-0.953893符合检验标准，因此第二子样本时间序列相对适用于ARIMA（2，1，1）。

4.3.3ARIMA模型检验

对第二子样本的ARIMA模型的残差序列进行平稳性检验，ARIMA（2，1，1）模型的残差序列的t统计量=-8.120129小于显著性水平1%、5%和10%的临界值，对应概率值P为0.0000，说明模型的信息提取充分，第二子样本ARIMA（2，1，1）模型对2008—2020年中国进口日本贱金属及其制品时间序列拟合成功。

4.4小结

从模型结果来看，总样本模型预测效果较好，可以很好结合长期趋势和波动情况反映年度贱金属及其制品进口额的整体走势。以2022年RCEP生效后的1—3月的真实进口额作为对照，并以RCEP未生效的2022年1—3月预测值对比，结果发现RCEP生效的真实值大于RCEP未生效的预测值。利用ARIMA（2，1，1）模型预测2022年贱金属及其制品进口数据约为174.577亿美元，而2022年实际进口数据为164.936亿美元，因此证明RCEP生效切实促进中日经贸的发展。通过构建第一子样本的ARIMA（1，1，2）模型和第二子样本的ARIMA（2，1，1）模型来解释不同时间段贱金属进口额与时间的关系。利用总样本回归分析和子样本回归分析证明ARIMA模型能够解释中国进口日本贱金属进口额变化的可行性。

由ARIMA（2，1，1）模型拟合分析可知，RCEP协定在2022年切实推动中国进口日本贱金属及其制品进口额的增长，表明RCEP协定加深中日未来在经济贸易领域的联系，进一步推动中日自由贸易区的建设，而ARIMA（2，1，1）模型则为中日今后在工业领域的深入交流和发展提供数据来源。

5研究结论和政策建议

5.1研究结论

ARIMA模型实证分析表明，当构建的贱金属及其制品进口额预测模型中仅考虑贱金属及其制品序列本身而不用考虑其他因素的影响时，能够有效预测未来进口额。本文根据总样本2003—2022年的中国进口日本贱金属及其制品月度数据建立了ARIMA（2，1，1）模型，并以ARIMA（2，1，1）模型的预测结果表明RCEP生效促进中日贱金属及其制品贸易额的增长，有助于推动中国和日本两个世界经济大国继续展开友好的经贸合作，并进一步证实了本文构建的中国进口日本贱金属及其制品ARIMA预测模型的有效性。

5.2政策建议

基于研究结论RCEP协定推动中日贱金属贸易的发展，表明中国贱金属市场体量大，仍然能够满足日本贱金属企业的贸易需求。扩大到整个中日贸易层面来讲，RCEP加强两国间的数字经济合作，中日双方在数字经济领域的合作潜力巨大，具有良好的互补性。中国是世界上规模最大的数字经济国家，日本则拥有先进的技术和完善的创新体系。因此，双方都应该利用这些优势，加快将先进的技术转变为实际的产品，以促进双方的可持续发展，并缩短转化周期，为两国经济可持续性发展提供更多思路。

如今，中日两国都是能源消费大国，为了推动双边的经济高质量发展，必须加强节能环保、新能源的研究与应用，以及推动绿色能源的普及。日本拥有先进的节能环保、绿色经济以及可再生能源的技术，尤其是氢能源的研究早于中国，因此，双边应该加强技术交流与培训，实现双赢。

随着RCEP协定的生效，中日两国在WTO框架下的经贸合作已经从最惠国待遇税率的局限中解放出来。中日两国能够建立更深层次的贸易合作伙伴关系，应利用RCEP协定带来的关税减让效应和贸易便利化措施不断调整亚太地区经贸发展，推动中日自贸区建立，为中日贸易实现稳步增长带来契机。

参考文献

宋志勇，蔡桂全.RCEP签署对中日经贸关系的影响[J].东北亚论坛，2021（30）05：68-82+127-128.

武娇艳，李方.进出口增长时间序列模型建立与预测[J].合作经济与科技，2015（1）：74-75.

沈汉溪，林坚.基于ARIMA模型的中国外贸进出口预测：2006-2010[J].国际贸易问题，2007（6）：24-26.

JiaXinLiandYiXuanHe.AMulti-factorAnalysisStudyontheDevelopmentofTertiaryIndustryinChina—BasedonARIMAandVARmodels[J].JournalofGlobalEconomy，BusinessandFinance，2022，411.

GoyalMeghaetal.ForecastingofIndianagriculturalexportusingARIMAmodel[J].AsianJournalofResearchinBusinessEconomicsandManagement，2021，118：11-15.

JamaMohamed.TimeSeriesModelingandForecastingofSomalilandConsumerPriceIndex：AComparisonofARIMAandRegressionwithARIMAErrors[J].AmericanJournalofTheoreticalandAppliedStatistics，2020，94.

ZhuNinaandHuangSiyi.ImpactofthetariffconcessionsoftheRCEPagreementonthestructureandevolutionmechanismofmanufacturingtradenetworks[J].SocialNetworks，2023，74：78-101.

WenHuiandYouYuandZhangYue.EffectsoftariffreductionbyregionalcomprehensiveeconomicpartnershipRCEPonglobalvaluechainsbasedonsimulation[J].AppliedEconomicsLetters，2022，20-29：1906-1920.

JiangHaoZheng.ParadigmShiftofRegionalEconomicCooperationMechanisminEastAsia：TheCaseofRCEPandCJKFTA[J].ResearchinEconomicsandManagement，2023，81.

JieSongandYeongGilKim.AStudyontheImpactofRCEPTariffReductiononKorea’sAgriculturalTrade：SimulationAnalysisBasedontheGTAPModel[J].2022：181.