经济学论文：基于ＧＭＤＨ的成都市宏观经济主要指标预测模型构建

 　　[摘要] 本文利用自组织数据挖掘算法，探索使用Knowledge Miner 软件对成都市宏观 经济 主要指标建立预测模型，比较 分析 各模型的优劣，并结合成都市经济数据深入分析。 
　　[关键词] 自组织数据挖掘算法 知识挖掘 主要指标 
　　 
　　一、引言 
　　经过长期的 发展 , 宏观经济预测 研究 在建立与使用定量预测模型和定性预测模型等诸多方面取得了长足的进步。由乌克兰 科学 院A.G.Ivakhnenko首次提出的GMDH算法，兼具定性定量的研究特点，较好的剔除了个人主观因素对指标的干扰，结合Knowledge Miner软件能够建立较优的经济预测模型， 
　　成都市的经济总量占全省的32%，人均年GDP名列 中国 西部省会第一，采用成都市的指标作为对象具有很强的说服力。 
　　二、GMDH自回归模型介绍 
　　数据分组处理 方法 （简称 GMDH）是一种基于遗传进化的演化方法，它依据给定的准则从一系列候选模型集合中挑选较优模型。GMDH算法通过遗传变异和筛选，产生很多具有不断增长复杂度的候选模型，直至模型在观测样本数据上产生过拟合为止。该方法需要一定量的初始模型，这些初始模型(或称神经元)可以通过微分或差分方程组，或者是它们的解来描述。 
　　GMDH自回归模型基于黑箱方法，从输入输出数据的样本来分析系统，并通过基本函数 网络 来描述复杂函数，因此很适合对周期性比较强的数据进行预测，预测效果较好。 
　　三、模型构建与比较分析 
　　假设： X1-GDP，X2-财政收入，X3-财政支出，X4- 社会 消费品零售总额，X5-城市居民就业人口 
　　为了增强可比性，均采用数据长度29，其中检验集为1978年～2000年23年的原始数据，相关模型输入变量个数34，训练集为2001年～2006年的数据，最大时滞均为 6， 由Knowledge Miner软件分别建立预测模型对比结果如表。数据来源于成都市2007年统计年鉴。 
　　可见，以GDP（X1）为因变量的预测模型筛选出输入变量财政收入（X2），社会消费品零售总额（X4），城市居民就业人口（X5），说明，财政收入、社会消费品零售总额、城市居民就业人口在某种程度上 影响 着GDP，而社会消费品零售总额、城市居民就业人口因为存在一定的线性关系导致X4、X5的系数为负。对于财政收入来说，受到社会消费品零售总额和财政支出的影响，同时，从财政支出的预测模型来看财政收入，社会消费品零售总额又是财政支出的影响因素,本次指标体系的城市居民就业人口指标没有受到其它指标的影响。 
　　结合成都市宏观经济的经济现状，特别是针对成都市GDP来说，GDP的 计算 包括了财政收入，社会消费品零售总额，而城市居民就业人口通过影响职工的工资收入同样影响着GDP的数据，可见通过Knowledge Miner可辨别指标之间某些内在联系，实际可行。 
　　对比两种建模结果的PESS（预测误差的平方和），有，X1（GDP），X2（财政收入），X3（财政支出），X4（社会消费品零售总额）四个指标都或多或少的受到其他指标的影响，而X5（城市居民就业人口）模型的内生变量不包含其他任何指标，针对相同的指标所建立的预测模型，对比可看出X1（GDP），X2（财政收入），X3（财政支出），X4（社会消费品零售总额）四个指标的单指标自回归模型的PESS值明显劣于相关自回归模型，而对于不包含其他指标的X5（城市居民就业人口）则正好相反，由此可推出，使用knowledgeminer进行经济预测时，先分析各指标间的相关性，再选择相应的自组织数据挖掘算法效果更佳。 
　　四、结术语 
　　采用定性和定量分析相结合的方法对成都市宏观经济主要指标建立预测模型后，本人发现使用knowledgeminer在进行经济预测建模时，首先进行相关自回归建模，后再使用单指标自回归模型，能够有效的提高预测的准确度。