基干时间序列模型中国出口总额探析与预测.docVIP

基于时间序列模型的中国出口总额分析及预测 　　摘 要：基于中国近20年来中国出口总额的月度数据，通过对数据特征进行的分析，采用了Holt-Winters滤波方法和ARIMA（0，1，1）模型对数据进行拟合，并对模型进行了相关检验，以此来考虑模型的可行性及拟合效果的优良性。最后对中国出口总额的月度数据进行了预测，结果显示Holt-Winters滤波方法和ARIMA（0，1，1）模型的预测平均相对误差率很小，说明时间序列模型在我国出口总额的预测中具有较好的实用价值 关键词：出口；Holt-Winters滤波；ARIMA模型 中图分类号：F74 文献标识码：A doi：10.19311/j.cnki.1672 3198.2016.22.018 1 前言 改革开放至今，我国对外贸易一直保持着比较迅速的增长，这为我国国民经济较快平稳增长起到了重要作用。尤其是自2001年12月正式加入WTO以来，我国对外贸易活动大幅增加，以大量出口劳动密集型的低附加值产品为主，出口贸易快速增长，提高了我国在国际市场上的出口份额，同时带动了经济的迅速发展。由于我国出口的产业基础坚实，是全球第一制造业大国，出口产业链和基础设施较为完善。又加上近些年高科技产业、装备制造业等的迅速发展，国际竞争力明显提升。我国的出口总值近年来一直在不断上升，几乎每年都存在贸易顺差，即出口额大于进口额。就1995年1月到2015年1月15年间来说，我国出口总额的每月当期值就从819.00亿美元增加到了2002.58亿美元，增加了近24倍 为了研究我国近20年对外出口总值的变化情况及未来的发展趋势，考虑到我国商品出口受诸多复杂因素的影响，使用传统的结构性因果模型分析和预测很难得到理想的效果。因此本文就我国近20年的出口总值的月度数据进行时间序列分析，利用时间序列分析的方法分析其数据特征并进行预测，以期寻找一种更为合适的研究方法来对我国出口的发展现状和趋势进行分析研究 2 数据介绍 2.1 数据的基本特征 本文采用1995年1月到2015年6月我国出口总值的月度数据，共计247个数据（数据来自中国统计局网站），并定义这一时间序列数据为。图1即为我国出口总值月度数据的时序图 从图1可以看出，我国出口总值从1995年到2015年总体趋势是上升的。在1995年到2001年上升趋势非常缓慢，而在2002年左右上升趋势明显增加，分析原因，这是由于在2001年底我国加入世界贸易组织而使我国外贸活动大幅增加，从而导致我国出口总值迅速增长。在2008年之后，上升趋势又出现了一定程度的减缓，结合当时全球的经济情况，原因应是2008年金融危机的冲击导致全球经济萎靡所致 从图1可以看出，该序列不仅存在明显的上升趋势，在每一年还存在一定的季节性波动，因此可考虑使用Holt-Winters滤波方法对数据进行拟合预测 2.2 数据的平稳性 使用R语言，对1995年1月到2015年6月我国出口总值的月度数据进行单位根检验。分别采用ADF检验和KPSS检验两种方法 ADF检验得到的结果是：原序列检验的p值大于0.01，因此不能拒绝有单位根的零假设，而一阶差分后序列检验的p值小于0.01，因此可以拒绝零假设，认为一阶差分后为平稳的序列 KPSS检验的得到的结果是：原序列平稳性检验的p值小于0.01，因此可以拒绝平稳性的零假设，即认为原序列是不平稳的。原序列趋势平稳性检验的p值小于0.01，因此可以拒绝趋势平稳的零假设，即认为原序列不是趋势平稳的。而一阶差分后序列平稳性检验的p值大于0.01，因此不能拒绝平稳性的零假设，即认为一阶差分后序列为平稳的。一阶差分后序列趋势平稳性检验的p值大于0.01，因此也不能拒绝趋势平稳的零假设，即认为一阶差分后序列为趋势平稳的 综合以上两种方法的检验，得出原序列并不平稳，因此不能考虑使用ARMA模型，而一阶差分后序列是平稳的，则可考虑使用ARIMA模型 3 模型介绍 3.2 ARIMA模型 ARIMA模型全称为自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model，简记ARIMA），是由博克思（Box）和詹金斯（Jenkins）于70年代初提出一著名时间序列预测方法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型 4 实证分析 4.1 对出口总值数据进行STL分解 为分析