ARMA Analyzing on Manufacturing Value Added in China
殷英 YIN Ying；谭元发 TAN Yuan-fa
（湖南电气职业技术学院，湘潭 411101）
（Hunan Electrical College of Technology，Xiangtan 411101，China）
摘要：自改革开放以来，中国制造业有了显著的发展，无论制造业总量还是制造业技术水平都有很大的提高，制造业的增加值基本稳定在当年GDP的30％以上。本文运用计量经济学原理对我国1966年以来制造业增加值进行动态分析，建立ARMA模型，并利用历史数据论证模型的正确性，研究制造业增加值变化趋势和特征，给出了制造业增加值的预测方法，为经济决策提供依据。
Abstract: Since the economic reform and opening, China's manufacturing industry has a significant development, both total economic output and manufacturing technology level has greatly improved, manufacturing output basically stable at more than 30% of GDP. This paper analyses the manufacturing value added in China with the theory of econometrics since 1966, establishes ARMA analyzing model，checks the correctness of this model by using history-data, discusses the trend and character of the variety of the manufacturing value added in China and presents forecast of the manufacturing value added，and provides the basis for economic decisions.
关键词：制造业增加值；时间序列；ARMA模型
Key words: manufacturing value added；times series；ARMA model
中图分类号：F403 文献标识码：A 文章编号：1006-4311（2018）36-0108-03
0 引言
自改革开放以来，中国制造业有了显著的发展，无论制造业总量还是制造业技术水平都有很大的提高，制造业的增加值基本稳定在当年GDP的30％以上。同时，国家财政收入的50％来自制造业。2015年国家制定“中国制造2025”，制造业供给侧结构性改革取得新突破，通过“积极稳妥化解过剩产能、促进工业企业降本增效、补齐实物产品质量短板等方面的突破”，制造业将逐步实现由“中国制造”到“中国智造”。本文运用计量经济学理论建立中国制造业增加值的时间序列模型，分析制造业增加值内在关系和变化趋势．并运用所建模型对制造业增加值进行预测，为政府选择预测经济发展的统计模型提供参考。
1 制造业工业增加值数据分析与处理
本文根据《中国统计年鉴，2017》和《世界银行》等收集了1966~2017年的制造业增加值有关数据，为了方便用MVAt表示制造业增加值，1966?燮t?燮2017。
图1为1966～2017年制造业增加值变化曲线，从图1可以看出MVAt是一个非平稳序列，它的变化呈指数变化趋势。
对MVAt作对数变换后进行逐期差分运算，用LNMVAt表示。
LNMVAt=log（MVAt）-log（MVAt-1），（1967?燮t?燮2017）
得出时间序列LNMVAt的变化趋势如图2所示。
从图2可看出，一阶差分后的时间序列变得较为平稳，应用Eviews8.0软件对LNMVAt进行ADF平稳性检验，检验结果由表1可见，由于ADF统计值为-5.0123小于在1%的显著水平-3.5744，时间序列LNMVAt拒绝单位根假设，LNMVAt在1%显著水平上是平稳的。
2 ARMA模型拟合
序列LNMVAt的自相关（AC: Autocorrelation）图和偏自相关（PAC: Partial Correlation）图如表２，自相关函数AC和偏自相关函数PAC具有拖尾且依正弦趋近于零的特性。根据Boy-Jenkins模型识别方法，用ARMA（p，q）模型进行拟合。由表2可以看出，自相关函数AC到滞后1阶呈正弦衰减，都在95%置信区间内，偏自相关系数PAC在滞后1阶、2阶、7阶处显示出统计上的尖柱，其余在95%置信区间内。因此可以考虑p=2，q=0或1建立ARMA（p，q）模型：Φp（B）LMVAt=Θq（B）ut
其中Φp（B）和Θq（B）分别表示B的p，q阶多项式，分别称为自回归算子和移动平均算子，B表示滞后算子，B LNMVAt=LNMVAt-1，ut表示白噪声。
用Eviews8.0软件进行拟合，根据上述分析，建立ARMA（2，0）、ARMA（2，1）时间序列模型，如表3、4所示。
从表5的比较，选择模型ARMA（2，0），模型ARMA（2，0）的估计方程为：
■
（10.3） （3.5） （-2.19）
各系数t-检验显著，表3中最下方给出的是滞后多项式Φ（MVA-1）=0的倒数根，这些根在单位圆内时，过程ARARMA（2，0）是平稳的。
3 模型的检验
H0：et相互独立（et为残差序列）。
设m是最大滞后期，根据实际情况，取m =12，检验统计量
■
rk（e）是残差序列自相关函数，用Eviews8.0软件进行计算，得出模型ARMA（2，0）的Q-统计量相伴概率，如表6所示。
Q-检验的相伴概率远大于检验水平0.05，因此不能拒绝原假设，即可以认为模型ARMA（2，0）估计结果的残差序列不存在自相关。
4 利用模型进行预测
根据上述分析，利用ARMA（2，0）运用EViews8.0软件计算2016年和2017年的制造业增加值，并对2018年制造业增加值进行预测，结果见表7。
从表7可知，用ARMA（2，0）模型对制造业增加值进行预测，2016与2017年预测值与实际值误差分别为2.6%和1.5%，2018年制造业增加值增长速度预计为6.8%，这与预期经济增长速度相近。
5 结语
建立经济预测模型的方法较多，运用时间序列建立经济模型具有一定准确性．本文建立的ARMA模型对中国制造业增加值进行预测，其误差不超过3.6%，其精度满足通常标准，并对2018年制造业增加值进行预测，其增长速度为8.3%，“十二五”期间，我国制造业实现了年均增速为9.81%，2016年的增长速度为6.8%，2017年的增长速度为6.1%，与发展目标相符合，说明模型是可行的。
参考文献：
[1]樊欢欢，李嫣怡，陈胜可.EViews统计分析与应用计量经济学[M].北京:机械工业出版社，2011-07．
[2]殷英，谭元发.我国新能源ARMA模型分析与预测[J].数学理论与应用，2009-04．
[3]谭元发.能源消费与工业经济增长的协整与ECM分析[J].统计与决策，2011-04．
[4]Jeffrey M. Woddridge, Introductory Econometrics: A Modern Approach. Third Edition[M]. Beijing: Tsinghua University Press,2007.
[5]Johansen, S. Statistical analysis of cointegration vectors [J]. Journal of Economic Dynamics and Control, 1988-12:231-254． |
