中国农产品贸易ARIMA模型建立及预测2009―2012年.docVIP

中国农产品贸易ARIMA模型的建立及预测2009―2012年 　　摘要:根据中国农产品贸易数据特点,构建中国农产品进出口的ARIMA模型,对2009―2012年中国农产品进出口进行预测,结果发现:所构建的ARIMA模型对农产品进出口的平均预测误差仅为3.291%和3.248%,达到了最小方差意义下的最优预测效果;2009―2012年中国农产品进出口持续双增长,农产品出口增长的速度大于农产品进口增长的速度;同时,贸易逆差仍然存在,但逆差缺口呈现缩小态势。 　　关键词:农产品贸易;进出口额;ARIMA模型;预测 　　中图分类号:F752 文献标识码:A 文章编号:1003-3890(2009)07-0011-05 　　 　　一、引言 　　 　　农业是国民经济的基础,是安天下、稳民心的战略产业,没有农业现代化就没有国家现代化。同时,贸易是一国经济增长的引擎机,农业的发展离不开农产品贸易。农产品贸易为充分利用国内国际两种资源、两个市场、调剂国内市场余缺、推动农业战略结构调整、促进农民就业增收、保持国民经济平稳较快发展做出了重要贡献。因此,政府需要对农产品贸易进行适当的调节。而正确的调节策略是建立在准确信息基础上的。准确的农产品进出口预测能大大增强政府制定符合国际规则的农产品贸易政策的预见性,加强对农产品进出口进行适当的控制和引导,可减少农业经济和农产品贸易决策和调节的失误。 　　预测方法的选取在一定程度上决定了预测结果的准确性。由于中国农产品进出口贸易受多种因子的制约,并且制约因子间又存在着极其复杂的关系,因此,运用结构性因果模型对中国农产品进出口进行预测,一般难以达到较为理想的预测效果[1]。同时,大部分时间序列为非平稳时间序列,预测不宜直接采用自回归(AR)、移动平均(MA)或自回归移动平均(ARMA)模型来分析[2]。ARIMA(autoregressive integrated moving average model)模型依据变量本身的变化规律,利用外推机制描述时间序列的变化,着重分析经济时间序列本身的概率或随机性质,而不考虑以经济理论为依据的解释变量的作用,适用于非平稳时间序列预测。 　　 　　二、ARIMA模型描述及其建模思路 　　 　　ARIMA模型是由统计学家Box和Jenkins提出的,又称B-J模型[3],其所依赖的原理是:某些时间序列是依赖于时间t的一组??机变量,构成该时序的单个序列值虽然具有不确定性,但整个序列的变化却有一定的规律性,可以用相应的数学模型(即ARIMA)近似描述。通过对该数学模型的分析研究,能够从本质上认识时间序列的结构与特征,达到最小方差意义下的最优预测[4]。 　　(一)ARIMA(p,d,q)模型的形式 　　ARIMA模型有四种基本类型:自回归(AR)模型、移动平均(MA)模型、自回归移动平均(ARMA)模型以及差分自回归移动平均模型(ARIMA)。 　　1. AR(p)模型:p阶自回归模型,满足下面的方程: 　　(1) 　　白噪声序列。 　　2. MA(q)模型:q阶的移动平均模型,满足下面的方程: 　　(2) 　　噪声序列。 　　3. ARMA(p,q)模型将纯AR(p)与纯MA(q)结合,得到一个一般的自回归移动平均方程ARMA(p,q): 　　其中?准1,…,?准p为回归系数,θ1,…,θq为移动平均系数,是模型的待估参数。当p=0时,ARMA(p,q)=MA(q);当q=0时,ARMA(p,0)=AR(p)。 　　4. ARIMA(p,d,q)模型:通过对不平稳的时间序列进行d阶差分,将其转化为平稳时间序列,然后建立ARMA(p,q)模型。 　　设ut是d阶单整时间序列,即ut~I(d),则: 　　?椎(L)=C+?准1?棕t-1+…+?准p?棕t-p+?着t+θ1?着t-1+…+θq?着t-q(5) 　　公式(5)表明如果一个序列是单整序列,那么该序列可以由其自身的滞后值以及随机扰动项来解释。即如果该序列平稳(它的行为并不会随着时间的推移而变化),那么就可以通过该序列过去的行为来预测未来[5]。 　　(二)ARIMA(p,d,q)模型建模思路 　　Box和Jenkins提出了具有广泛影响的建模思想,能够对实际建模起到指导作用,其建模思想可以分为以下四个步骤: 　　1. 对原时间序列进行平稳性检验,如果序列不满足平稳性条件,可以通过差分变换(如果差分的阶数是d,则进行d阶差分)或者其他变换,如对数差分变换使序列满足平稳性的条件。将非平稳时间序列转化为平稳时间序列,实现短期的均衡,是对非平稳时间序列进行ARMA分析的必要前提。 　　2. 通过计算能够描述时间序列特征的一些统计量,如自相关(AC)系数和偏自相关(PAC