王 碩, 彭 虹

(福建農(nóng)林大學(xué) 金山學(xué)院，福建 福州 350002)

隨著人工智能與大數(shù)據(jù)時代的到來，經(jīng)濟學(xué)與大數(shù)據(jù)的結(jié)合為經(jīng)濟學(xué)的研究提供了新的發(fā)展方向[1]。探索性數(shù)據(jù)分析(Explorative Date Analysis，EDA)更為經(jīng)濟學(xué)領(lǐng)域帶來了新的、更為科學(xué)的研究分析方式。在傳統(tǒng)的科學(xué)看來，數(shù)據(jù)是需要徹底“凈化”和“集成”，計算的目的是找出“精準(zhǔn)答案”，而其背后的哲學(xué)是“不接受數(shù)據(jù)的復(fù)雜性”。然而，大數(shù)據(jù)中更加強調(diào)的是數(shù)據(jù)的異構(gòu)性、動態(tài)性和跨域等復(fù)雜性，其中包括彈性計算、魯棒性、虛擬化和快速響應(yīng)等不同種手段。圖靈獎獲得者Jim提出了科學(xué)研究的第四范式，即數(shù)據(jù)密集型科學(xué)發(fā)現(xiàn)(Date-intensive Scientific Discovery)?！皵?shù)據(jù)密集型科學(xué)發(fā)現(xiàn)范式”的主要特點是科學(xué)研究人員只需要從大數(shù)據(jù)中查找和挖掘所需要的信息和知識，無需直接面對所研究的物理對象。從“基于知識解決問題”到“基于數(shù)據(jù)解決問題”，重視“相關(guān)性”的分析，而不僅僅是因果分析[2]。

亞當(dāng)·斯密的經(jīng)濟學(xué)理論是以個量分析為主，根據(jù)對單個消費者、廠商和生產(chǎn)要素所有者的分析來進行經(jīng)濟學(xué)理論和經(jīng)濟現(xiàn)象的研究和分析。凱恩斯主義經(jīng)濟學(xué)則側(cè)重于分析總量變量，根據(jù)他所建立的涉及總量變量的理論，主張從國家層面干預(yù)經(jīng)濟生活[3]。傳統(tǒng)的經(jīng)濟學(xué)研究都以經(jīng)濟現(xiàn)象的理論研究為主[4]，即大多以“基于知識解決問題”的研究方式，輔助以少量、個體、單一性、非動態(tài)性、非異構(gòu)性的數(shù)據(jù)來解決已發(fā)生的經(jīng)濟現(xiàn)象，缺乏對經(jīng)濟學(xué)理論和經(jīng)濟現(xiàn)象形成和發(fā)生的獨創(chuàng)性、預(yù)見性、科學(xué)性和普適性的研究。國內(nèi)學(xué)者基于大數(shù)據(jù)分析的相關(guān)研究從2012年開始。覃雄派等[5]以MapReduce為代表的非關(guān)系數(shù)據(jù)管理技術(shù)陣營,從關(guān)系數(shù)據(jù)管理技術(shù)所積累的寶貴財富中挖掘可以借鑒的技術(shù)和方法,面向大數(shù)據(jù)的深度分析需求,分析了RDBMS與MapReduce的競爭與共生。喻國明[6]以2009～2012年百度搜索詞數(shù)據(jù)庫為研究對象，運用大數(shù)據(jù)的價值挖掘與分析技術(shù)，對“社會暖度”“社會幸福感”以及“社會壓力”等中國社會的輿情指數(shù)進行測度并提出了社會管理和協(xié)調(diào)的重要啟示。楊虎等[7]構(gòu)建了基于大數(shù)據(jù)分析的互聯(lián)網(wǎng)金融風(fēng)險預(yù)警系統(tǒng)，并提出了互聯(lián)網(wǎng)企業(yè)風(fēng)險管理的依據(jù)和措施。崔媛[8]基于農(nóng)業(yè)氣候?qū)r(nóng)作物的影響，利用大數(shù)據(jù)分析了C-D-A模型的可行度并提出了各種天氣條件下保障與提高農(nóng)作物產(chǎn)量的理論依據(jù)。

從現(xiàn)有研究可以看出，如何科學(xué)有效的利用好經(jīng)濟數(shù)據(jù)去研究動態(tài)的、多維的、復(fù)雜的經(jīng)濟學(xué)理論和經(jīng)濟現(xiàn)象成為現(xiàn)代經(jīng)濟學(xué)研究的新課題，現(xiàn)有研究已經(jīng)將大數(shù)據(jù)分析方法運用于宏微觀經(jīng)濟、自然環(huán)境分析中，但以全球經(jīng)濟為分析對象，結(jié)合大數(shù)據(jù)分析方法進行實證，并進行經(jīng)濟預(yù)測的研究較為缺乏。本文針對多維相關(guān)性數(shù)據(jù)條件下的全球GDP總量排名前30國GDP未來發(fā)展相關(guān)性變量的研究，對30國GDP未來發(fā)展給出了趨勢變化情況和相關(guān)性分析，進一步豐富大數(shù)據(jù)研究中的理論和實踐內(nèi)容。

1 數(shù)據(jù)的處理及模型設(shè)定

1.1 前30國GDP總量

研究以2017年為例，選取了全球GDP排名前30位的國家為研究對象，數(shù)據(jù)來源于世界銀行網(wǎng)站。數(shù)據(jù)顯示，2017年美國和中國GDP總量均在10萬億美元以上，其中美國GDP總量已經(jīng)接近20萬億美元(表1)。

由表1可以看出，全球GDP排名前30國GDP總量占全球GDP總量的比值為85.81%。前30國GDP總量占比已經(jīng)達到全球GDP總量的85%。采用前30國作為研究對象，在得出2018～2022年前30國GDP總量及發(fā)展趨勢的同時，可以實現(xiàn)從局部對未來全球GDP總量及經(jīng)濟發(fā)展情況的有效預(yù)測。

表1 全球GDP排名前30國及其GDP總量

數(shù)據(jù)來源：根據(jù)世界銀行網(wǎng)站數(shù)據(jù)整理所得。

1.2 影響全球GDP總量的因素

全球共233個國家和地區(qū)，其中國家有197個，地區(qū)有36個。由于影響國家GDP總量的因素較多，其中涵蓋政治、經(jīng)濟、人文、地理等各個方面，因此難以實現(xiàn)對所有影響因素進行全部歸類，進而進行所有變量的相關(guān)性分析。為了對前30國GDP總量進行精確的預(yù)測，并基于現(xiàn)有數(shù)據(jù)的可獲得性以及考慮盡可能不造成數(shù)據(jù)混亂及相關(guān)性數(shù)據(jù)的不可降維性，從影響經(jīng)濟發(fā)展的角度挑選可能對各國GDP產(chǎn)生影響的因素：其中主要因素是國家財政收入、實際利用外資額、廣義貨幣供應(yīng)量、財政支出總量、固定資產(chǎn)投資總額[9]、不同國家的人口量、勞動力參與率、居民消費價格指數(shù)、國民生產(chǎn)總值、能源總量、對外貿(mào)易總量[10]、稅收收入、匯率、外債、實體經(jīng)濟虛擬經(jīng)濟占國家GDP總量比重等[11]。

1.3 數(shù)據(jù)的收集處理

研究采用python軟件在世界銀行網(wǎng)站中收集到相關(guān)性變量數(shù)據(jù)，對于影響前30國GDP相關(guān)性數(shù)據(jù)進行探索性數(shù)據(jù)分析(Explorative Date Analysis，EDA)。然后對相關(guān)性數(shù)據(jù)進行歸納整理，迅速獲取我們所需要的相關(guān)性指標(biāo)量。

1.4 聚類分析對于不同類型經(jīng)濟體的歸類

層次聚類法是最常見的一種聚類方法，在數(shù)據(jù)挖掘和基因表達分析領(lǐng)域經(jīng)常使用。使用該方法無須事先了解數(shù)據(jù)總共分為幾類，例如，數(shù)據(jù)沒有按照預(yù)先設(shè)定的類別數(shù)進行劃分。相反，結(jié)果由一個層次或一組嵌套分區(qū)構(gòu)成?；谀Ｐ偷木垲惪蚣馨ㄈ齻€主要的部分：

首先，利用基于模型的聚合聚類分割對EM算法進行初始化；其次，通過EM算法對參數(shù)進行最大似然估計；第三，根據(jù)貝葉斯因子的BIC逼近，選擇模型和類別數(shù)。

模型將分類似然函數(shù)作為目標(biāo)函數(shù)。分類似然函數(shù)公式如下：

其中γi是第i個觀測點的分類標(biāo)記，如果xi屬于第k個成分，則γi=k。在混合模型當(dāng)中，每個分量包含的觀測點數(shù)n呈多項式分布,其概率參數(shù)為π1，π2，……，πc。

基于模型的聚合聚類方法是對分類似然函數(shù)最大化的過程。起始狀態(tài)時每個點為一個單一的類，算法執(zhí)行時每一步驟將分類似然函數(shù)增長最快的兩類合并。這一過程重復(fù)執(zhí)行直至所有觀測點合并為一組。

根據(jù)python所收集的數(shù)據(jù)，為了對大量動態(tài)的、多維的、異構(gòu)性數(shù)據(jù)進行有效降維[12]，將前30國劃分為不同大類的經(jīng)濟體，進行合理科學(xué)的歸納分析；運用SPSS進行聚類分析，采取層次聚類對數(shù)據(jù)情況進行分類匯總(圖1)。

圖1 聚類分析30國聚類結(jié)果圖

由圖1可知，全球GDP排名前30國被劃分為5類，分別為美國、中國、日本、印度各為一類，其余國家為一類。通過層次聚類得出具有類似特征值的國家，用以對不同國家進行科學(xué)系統(tǒng)劃分，為運用BP神經(jīng)網(wǎng)絡(luò)多隱含層變量法對前30國進行精準(zhǔn)預(yù)測做鋪墊。

1.5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

根據(jù)生物體大腦的原理開發(fā)的人工神經(jīng)網(wǎng)絡(luò)可以定義為一憑借眾多簡易的并行工作處理單位合并而成的復(fù)雜系統(tǒng)，它的工作原理由網(wǎng)絡(luò)的結(jié)構(gòu)、關(guān)聯(lián)的程度和眾多單位的應(yīng)對問題時的策略選擇決定，和非線性動力學(xué)系統(tǒng)相似，與人類思維十分相近。BP(Back Propagation)網(wǎng)絡(luò)為目前被普遍使用的人工神經(jīng)網(wǎng)絡(luò)模型的代表，其實質(zhì)為一種按誤差逆?zhèn)鞑ニ惴üぷ鞯亩鄬忧梆伨W(wǎng)絡(luò)?？紤]到BP神經(jīng)網(wǎng)絡(luò)可以對非線性模型進行預(yù)測的特性，因此在本文中采取了BP神經(jīng)網(wǎng)絡(luò)對全球前30國GDP總量進行預(yù)測與分析。

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)元網(wǎng)絡(luò)模型之一，其學(xué)習(xí)過程中由信號的正向傳播與誤差的逆向傳播兩個過程組成。正向傳播時，模式作用于輸入層，經(jīng)隱含層處理后，傳入誤差的逆向傳播階段，將輸出誤差按某種子形式，通過隱層向輸入層逐層返回，并“分攤”給各層的所有單元，從而獲得各層單元的參考誤差或稱誤差信號，以作為修改各單元權(quán)值的依據(jù)。權(quán)值不斷修改的過程，也就是網(wǎng)絡(luò)學(xué)習(xí)過程。此過程一直進行到網(wǎng)絡(luò)輸出的誤差逐漸減少到可接受的程度或達到設(shè)定的學(xué)習(xí)次數(shù)為止。BP網(wǎng)絡(luò)模型包括其輸入輸出模型，作用函數(shù)模型，誤差計算模型和自學(xué)習(xí)模型。BP網(wǎng)絡(luò)由輸入層，輸出層以及一個或多個隱層節(jié)點互連而成的一種多層網(wǎng)，這種結(jié)構(gòu)使多層前饋網(wǎng)絡(luò)可在輸入和輸出間建立合適的線性或非線性關(guān)系，又不致使網(wǎng)絡(luò)輸出限制在-1和1之間[13]。

2 實證分析

根據(jù)聚類分析所劃分的5種不同經(jīng)濟體類型，運用BP神經(jīng)網(wǎng)絡(luò)將技術(shù)與產(chǎn)業(yè)革新、勞動投入[14]、國家財政收入、實際利用外資額、廣義貨幣供應(yīng)量、財政支出總量、固定資產(chǎn)投資總額、不同國家的人口量、勞動力參與率、居民消費價格指數(shù)、國民生產(chǎn)總值、能源總量、對外貿(mào)易總量、稅收收入、匯率、外債、實體經(jīng)濟虛擬經(jīng)濟占國家GDP總量比重等多變量因素；結(jié)合各個國家1987～2017年GDP總量數(shù)據(jù)帶入BP神經(jīng)網(wǎng)絡(luò)中。

2.1 美國

如圖2所示，美國GDP總量一直保持較高的增長態(tài)勢，但在2020年之后GDP總量增長逐漸趨緩，這是由于美國的經(jīng)濟體量較大，經(jīng)濟較為發(fā)達，市場結(jié)構(gòu)較為健全，很難再找到新的經(jīng)濟增長爆發(fā)點，同時不斷升級的貿(mào)易摩擦帶來的風(fēng)險也是阻礙美國經(jīng)濟增長的重要方面(表2)。

圖2 美國GDP總量神經(jīng)網(wǎng)絡(luò)預(yù)測圖

表2 美國GDP總量預(yù)測結(jié)果

2.2 中國

中國GDP總量隨著中國經(jīng)濟增長前景繼續(xù)表現(xiàn)強勁，為中國加快推進經(jīng)濟改革提供新的發(fā)展契機。供給側(cè)結(jié)構(gòu)性改革和貿(mào)易摩擦雖然給中國經(jīng)濟在2018～2020年期間帶來經(jīng)濟陣痛，但是在2020之后隨著技術(shù)與產(chǎn)業(yè)革新的逐步完成，中國經(jīng)濟又呈現(xiàn)階梯式爆炸性增長(圖3，表3)。

圖3 中國GDP總量神經(jīng)網(wǎng)絡(luò)預(yù)測圖

表3 中國GDP預(yù)測結(jié)果

2.3 日本

日本在上世紀(jì)90年代后出現(xiàn)經(jīng)濟停滯，雖然在2009年前后出現(xiàn)經(jīng)濟較快增長，但又很快出現(xiàn)下滑。其主要原因是日本經(jīng)濟一直面臨著經(jīng)濟增長放緩、工資增長緩慢、生產(chǎn)率增長乏力、人口老齡化等問題的影響，如果未來上述問題仍不能得到效解決并出臺相關(guān)解決政策，未來日本經(jīng)濟增長仍然不容樂觀(圖4，表4)。

圖4 日本GDP總量神經(jīng)網(wǎng)絡(luò)預(yù)測圖

表4 日本GDP總量預(yù)測結(jié)果

2.4 印度

印度經(jīng)濟在2018年后迎來了較快發(fā)展，主要是由于人口紅利所造成的。印度的發(fā)展模式重消費而非投資、重內(nèi)需而非出口、重服務(wù)業(yè)而非制造業(yè)、重高新技術(shù)產(chǎn)業(yè)而非勞動密集技術(shù)含量低的工業(yè)，這種方式使印度經(jīng)濟對全球經(jīng)濟不景氣沖擊的抵抗力較強，表現(xiàn)出比較強的韌勁和經(jīng)濟平穩(wěn)增長的長周期性。印度經(jīng)濟在2020年后又呈現(xiàn)出新的較快經(jīng)濟增長(圖5，表5)。

圖5 印度GDP總量神經(jīng)網(wǎng)絡(luò)預(yù)測圖

表5 印度GDP預(yù)測結(jié)果

2.5 剩余國家

剩余國家2018～2022年間GDP總量預(yù)測值呈現(xiàn)鋸齒形變化趨勢，這是由于全球經(jīng)濟發(fā)展的不確定性因素較多，平均增速放緩，經(jīng)濟下行壓力大。據(jù)彭博社經(jīng)濟部稱，2018年全球經(jīng)濟增速急劇放緩，擴張速度降至2008年全球金融危機以來的最低水平(圖6，表6)。

圖6 剩余國家GDP總量神經(jīng)網(wǎng)絡(luò)預(yù)測圖

表6 剩余國家GDP預(yù)測結(jié)果

研究將上述實證數(shù)據(jù)進行分類加總，則全球30國的GDP總量預(yù)測結(jié)果見下表9所示。根據(jù)預(yù)測結(jié)果，2018年全球30國GDP總量增長速度為7.79%，2019年將放緩至4.27%；2020年全球30國GDP總量出現(xiàn)下降，下降速度為2.40%，2021年下降速度為2.46%；2022年又出現(xiàn)增長，增長速度為3.92%。全球經(jīng)濟增速放緩，經(jīng)濟的不穩(wěn)定和不確定性使得30國的經(jīng)濟發(fā)展一直維持在一個較為低迷的發(fā)展?fàn)顟B(tài)(表7)。

表7 全球三十國GDP總量預(yù)測結(jié)果

3 結(jié)論與建議

3.1 結(jié)論

2018～2022年全球前30國經(jīng)濟增長整體而言較為緩慢，雖然在變化中也有增長趨勢，但經(jīng)濟增長的動力仍明顯不足，其中有部分國家甚至出現(xiàn)經(jīng)濟停滯和經(jīng)濟倒退的情況。其主要原因可能是是前30國經(jīng)濟受制于一系列深層次結(jié)構(gòu)性困境，難以走向復(fù)蘇和增長。從分析可以看出，中、美、印3國仍舊是2018～2022年前30國經(jīng)濟增長的主要動力。從整體來看，在未來的一段時間，前30國經(jīng)濟由于又受到逆全球化升溫、貿(mào)易保護主義抬頭等新的不確定性因素影響，其國家經(jīng)濟發(fā)展將與全球經(jīng)濟發(fā)展保持較為相似的變化趨勢，即將維持低增長和弱復(fù)蘇態(tài)勢，短期內(nèi)不穩(wěn)定性、不確定性增加。

3.2 政策建議

首先應(yīng)加強全球?qū)用娴慕?jīng)濟治理與經(jīng)濟改革，推動全球經(jīng)濟一體化，更合理地解決全球資源的利用問題。第二，健全更具約束力的貿(mào)易規(guī)則，減少各國貿(mào)易摩擦。第三，穩(wěn)步深化金融政策改革,加強金融監(jiān)管。第四，加大對經(jīng)濟困難國家的政策性投資及援助力度，充分促進不發(fā)達國家經(jīng)濟增長，以此帶動發(fā)達國家、發(fā)展中國家的經(jīng)濟增長。

各國政府應(yīng)首先加大對固定資產(chǎn)的投資，大力支持新興產(chǎn)業(yè)的發(fā)展。第二，就業(yè)是民生之本，應(yīng)有效促進就業(yè)。第三，積極實施出口優(yōu)惠的稅后政策，鼓勵企業(yè)出口，減少相關(guān)產(chǎn)業(yè)的貿(mào)易保護，促進市場的自由競爭。第四，注意優(yōu)化財政支出結(jié)構(gòu),減少直接的財政干預(yù)經(jīng)濟的方式。第五，為市場松綁，充分發(fā)揮市場在資源配置方面的主導(dǎo)作用，充分挖掘市場潛力。第六，規(guī)范合理政府支出，提高政府支出效率。第七，進一步深化供給側(cè)結(jié)構(gòu)性改革，改變市場供求關(guān)系。第九，加強對實體經(jīng)濟的政策性傾斜力度，以實體經(jīng)濟帶動國家經(jīng)濟發(fā)展。