Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự Đoán Kinh Tế Vĩ Mô Dựa Trên Dữ Liệu Lớn Theo Trình Tự Đối Với Giá Trị Gia Tăng Công Nghiệp
Tóm tắt
Tình hình kinh tế vĩ mô là hiệu suất tổng thể của tình hình kinh tế quốc gia và khu vực. Hiện tại, phần lớn các chỉ số kinh tế vĩ mô được thu thập thông qua khảo sát mẫu, báo cáo từng bước, tính toán thống kê và các quy trình khác, những thông tin này được công bố công khai bởi Cục Thống kê. Có một số thiếu sót, chẳng hạn như độ trễ và tính xác thực không cao. Dự đoán kịp thời và cảnh báo sớm về xu hướng kinh tế vĩ mô là những nhu cầu quan trọng trong công tác quản lý nhà nước. Tuy nhiên, tính kịp thời của dữ liệu có ảnh hưởng trực tiếp đến quyết định của chính phủ. Trong bài báo này, các nguồn dữ liệu lớn có tần suất cao và tương đối chính xác được áp dụng để xây dựng một mô hình dự đoán hồi quy đa biến cho các chỉ tiêu kinh tế quốc dân truyền thống (như giá trị gia tăng công nghiệp trên quy mô của Hefei), khác với các mô hình dự đoán chuỗi thời gian truyền thống như mô hình ARIMA. Dựa trên mô hình dự đoán kinh tế vĩ mô của dữ liệu lớn theo chuỗi thời gian, các nguồn dữ liệu đa chiều, cập nhật tuần tự, mô hình sàng lọc tập xác minh và các chiến lược khác được sử dụng để cung cấp các giá trị dự đoán cho các chỉ số kế toán kinh tế quốc dân đáng tin cậy, kịp thời và dễ hiểu hơn. Đồng thời, các yếu tố ảnh hưởng tiềm năng đến các chỉ tiêu kinh tế vĩ mô được khai thác để cung cấp cơ sở dữ liệu và lý thuyết cho phân tích và quyết định kinh tế vĩ mô.
Từ khóa
#kinh tế vĩ mô; dự đoán; dữ liệu lớn; hồi quy đa biến; chỉ số kinh tế quốc giaTài liệu tham khảo
Abdul, R.N.A., Khamis, A., Abdullah, M.A.A.: ARIMA and VAR modeling to forecast Malaysian economic growth. J. Sci. Technol. 9(3), 16–24 (2017)
Jiang, S., Ferreira, J., Gonzalez, M.C.: Activity-based human mobility patterns inferred from mobile phone data: a case study of Singapore. IEEE Trans. Big Data 3(2), 208–219 (2017)
Joshua, B., Cadamuro, G., On, R.: Predicting poverty and wealth from mobile phone metadata. Science 350(6264), 1073–1076 (2015)
Leng, C., Wang, S.: Hidden Markov model for predicting the turning points of GDP fluctuation. In: International Conference on Future Computer and Communication Engineering (2014)
Li, H.: District GDP prediction based on ARMA model group. In: The 5th International Institute of Statistics and Management Engineering Symposium, pp. 586–591 (2012)
Li, G., Yin, G.: Application of process neural network on consumer price index prediction. Affect. Comput. Intell. Interact. 137, 427–432 (2012)
Li, J., Li, P., Liu, L.: The development of integrated simulation model for prediction. In: Control and Decision Conference, CCDC’09 Chinese, IEEE, pp. 4813–4816 (2009)
Long, G.: GDP prediction by support vector machine trained with genetic algorithm. In: The 2nd International Conference on IEEE Signal Processing Systems (ICSPS), vol. 3, p. V3-1 (2010)
Song, M., Xi, B.: Study of Xiamen’s economic growth based on the stochastic time series model. In: The 2nd IEEE International Conference on Advanced Computer Control, pp. 549–555 (2010)
Wang, X.: The application of ARMA model in forecasting the CPI of Guangdong Province. In: International Conference on Information Technology and Industrial Engineering, pp. 397–400 (2010)
Xiao, J., Wu, Y., Wang, Q., Liao, L., Hu, H.: A hybrid sales forecasting method based on stable seasonal pattern models and BPNN. In: 2007 IEEE International Conference on IEEE Automation and Logistics, pp. 2868–2872 (2007)
Yu, J., Tang, C., Long, C.: Using Holt-Winters model to forecast total retail sales of social consumer goods. In: The 4th International Institute of Statistics and Management Engineering Symposium, pp. 972–976 (2011)
Zhou, Z.: Predicting research about macroeconomic variable. In: 2009 International Institute of Applied Statistics Studies, pp. 1–5 (2009)