基于ＧＭＤＨ的成都市宏觀經濟主要指標預測模型構建

[摘要] 本文利用自組織數據挖掘算法，探索使用Knowledge Miner 軟件對成都市宏觀經濟主要指標建立預測模型，比較分析各模型的優劣，并結合成都市經濟數據深入分析。

[關鍵詞] 自組織數據挖掘算法 知識挖掘 主要指標

一、引言

經過長期的發展， 宏觀經濟預測研究在建立與使用定量預測模型和定性預測模型等諸多方面取得了長足的進步。由烏克蘭科學院A.G.Ivakhnenko首次提出的GMDH算法，兼具定性定量的研究特點，較好的剔除了個人主觀因素對指標的干擾，結合Knowledge Miner軟件能夠建立較優的經濟預測模型，

成都市的經濟總量占全省的32%，人均年GDP名列中國西部省會第一，采用成都市的指標作為對象具有很強的說服力。

二、GMDH自回歸模型介紹

數據分組處理方法（簡稱 GMDH）是一種基于遺傳進化的演化方法，它依據給定的準則從一系列候選模型集合中挑選較優模型。GMDH算法通過遺傳變異和篩選，產生很多具有不斷增長復雜度的候選模型，直至模型在觀測樣本數據上產生過擬合為止。該方法需要一定量的初始模型，這些初始模型(或稱神經元)可以通過微分或差分方程組，或者是它們的解來描述。

GMDH自回歸模型基于黑箱方法，從輸入輸出數據的樣本來分析系統，并通過基本函數網絡來描述復雜函數，因此很適合對周期性比較強的數據進行預測，預測效果較好。

三、模型構建與比較分析

假設： X1—GDP，X2—財政收入，X3—財政支出，X4—社會消費品零售總額，X5—城市居民就業人口

為了增強可比性，均采用數據長度29，其中檢驗集為1978年～2000年23年的原始數據，相關模型輸入變量個數34，訓練集為2001年～2006年的數據，最大時滯均為 6， 由Knowledge Miner軟件分別建立預測模型對比結果如表。數據來源于成都市2007年統計年鑒。

可見，以GDP（X1）為因變量的預測模型篩選出輸入變量財政收入（X2），社會消費品零售總額（X4），城市居民就業人口（X5），說明，財政收入、社會消費品零售總額、城市居民就業人口在某種程度上影響著GDP，而社會消費品零售總額、城市居民就業人口因為存在一定的線性關系導致X4、X5的系數為負。對于財政收入來說，受到社會消費品零售總額和財政支出的影響，同時，從財政支出的預測模型來看財政收入，社會消費品零售總額又是財政支出的影響因素，本次指標體系的城市居民就業人口指標沒有受到其它指標的影響。

結合成都市宏觀經濟的經濟現狀，特別是針對成都市GDP來說，GDP的計算包括了財政收入，社會消費品零售總額，而城市居民就業人口通過影響職工的工資收入同樣影響著GDP的數據，可見通過Knowledge Miner可辨別指標之間某些內在聯系，實際可行。

對比兩種建模結果的PESS（預測誤差的平方和），有，X1（GDP），X2（財政收入），X3（財政支出），X4（社會消費品零售總額）四個指標都或多或少的受到其他指標的影響，而X5（城市居民就業人口）模型的內生變量不包含其他任何指標，針對相同的指標所建立的預測模型，對比可看出X1（GDP），X2（財政收入），X3（財政支出），X4（社會消費品零售總額）四個指標的單指標自回歸模型的PESS值明顯劣于相關自回歸模型，而對于不包含其他指標的X5（城市居民就業人口）則正好相反，由此可推出，使用knowledgeminer進行經濟預測時，先分析各指標間的相關性，再選擇相應的自組織數據挖掘算法效果更佳。

四、結術語

采用定性和定量分析相結合的方法對成都市宏觀經濟主要指標建立預測模型后，本人發現使用knowledgeminer在進行經濟預測建模時，首先進行相關自回歸建模，后再使用單指標自回歸模型，能夠有效的提高預測的準確度。

參考文獻：

賀昌政:自組織數據挖掘與經濟預測[M].科學出版社，2005