彭放，彭高群，祁亞茹，劉甜甜，周曉磊

（1. 國家電網(wǎng)有限公司大數(shù)據(jù)中心，北京 100031；2. 清華大學(xué)社會科學(xué)學(xué)院，北京 100084）

1 引言

作為國民經(jīng)濟的“晴雨表”，電力數(shù)據(jù)可以及時、客觀地反映經(jīng)濟發(fā)展的真實情況。伴隨著電力信息化的發(fā)展，如何充分挖掘電力數(shù)據(jù)的價值服務(wù)于經(jīng)濟社會發(fā)展、政府政策制定成為關(guān)注的重點。工業(yè)增加值是衡量實體經(jīng)濟運行狀況的重要指標，對其進行更加及時、準確地預(yù)測有助于政府更快、更準確地了解經(jīng)濟形勢，為經(jīng)濟政策制定提供可靠的依據(jù)，同時也將有助于企業(yè)和個人準確把握經(jīng)濟形勢并進行決策。在當(dāng)前經(jīng)濟下行壓力增加、不確定性加劇的環(huán)境下，及時準確地預(yù)測工業(yè)增加值顯得尤為重要。為此，本文以工業(yè)增加的現(xiàn)時預(yù)測為出發(fā)點，充分挖掘電力大數(shù)據(jù)在現(xiàn)時預(yù)測中的作用?，F(xiàn)時預(yù)測最初被用于氣象領(lǐng)域，近年來被引入經(jīng)濟領(lǐng)域，是對當(dāng)前經(jīng)濟形勢的預(yù)測，其基本原理為在官方發(fā)布相關(guān)統(tǒng)計數(shù)據(jù)之前，充分挖掘先行高頻數(shù)據(jù)的信息預(yù)測當(dāng)前經(jīng)濟形勢[1]。

當(dāng)前關(guān)于中國工業(yè)増加值預(yù)測的研究相對較少，且主要基于所選擇的若干傳統(tǒng)統(tǒng)計指標進行，如利用社會消費品零食總額、廣義貨幣數(shù)據(jù)對工業(yè)增加值進行預(yù)測[2]，基于構(gòu)建的民營企業(yè)信用利差指數(shù)對工業(yè)增加進行預(yù)測[3]。在宏觀經(jīng)濟傳導(dǎo)機制愈發(fā)復(fù)雜、工業(yè)增加值影響因素更加多元的情形下，恰當(dāng)?shù)念A(yù)測模型應(yīng)當(dāng)包含大量的解釋變量以充分利用有價值的信息，僅利用少數(shù)幾個變量較難獲得精準的預(yù)測。此外，傳統(tǒng)統(tǒng)計數(shù)據(jù)發(fā)布得滯后致使預(yù)測時難以利用經(jīng)濟活動的當(dāng)前信息，而電力大數(shù)據(jù)與經(jīng)濟活動密切相關(guān)且實時可得，可提供經(jīng)濟活動的當(dāng)前信息彌補傳統(tǒng)統(tǒng)計數(shù)據(jù)的不足。因此，綜合利用電力數(shù)據(jù)和傳統(tǒng)統(tǒng)計數(shù)據(jù)可能得到更加準確的工業(yè)增加值預(yù)測結(jié)果。然而，這不可避免地引出工業(yè)增加值預(yù)測中傳統(tǒng)數(shù)據(jù)和電力數(shù)據(jù)的關(guān)系問題，即工業(yè)增加值預(yù)測中電力數(shù)據(jù)是否可以替代傳統(tǒng)數(shù)據(jù)，較之于成熟的統(tǒng)計數(shù)據(jù)電力數(shù)據(jù)的用處不大，兩者是否可以相互補充。該問題同樣也是大數(shù)據(jù)時代基于新興數(shù)據(jù)進行宏觀經(jīng)濟預(yù)測時可能碰到的問題，但當(dāng)前卻鮮有文獻對此進行研究。本文設(shè)計了5類模型以探究工業(yè)增加值預(yù)測中統(tǒng)計數(shù)據(jù)與電力大數(shù)據(jù)的關(guān)系，同時采用多種預(yù)測方法進行預(yù)測以期獲得更佳的預(yù)測效果。

2 研究設(shè)計

2.1 預(yù)測模型

為充分探究上述工業(yè)增加值現(xiàn)時預(yù)測中傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)和電力數(shù)據(jù)的關(guān)系問題，設(shè)計兩類數(shù)據(jù)結(jié)合的5種方式：其一，僅利用傳統(tǒng)統(tǒng)計數(shù)據(jù)進行預(yù)測；其二，以傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)預(yù)測為主，以電力數(shù)據(jù)預(yù)測為輔；其三，僅利用電力數(shù)據(jù)進行預(yù)測；其四，以電力數(shù)據(jù)預(yù)測為主，以統(tǒng)計數(shù)據(jù)預(yù)測為輔；其五，同時無差別地利用經(jīng)濟統(tǒng)計數(shù)據(jù)和電力數(shù)據(jù)進行預(yù)測。本文基于這5種結(jié)合方式構(gòu)建了如下5類相應(yīng)的預(yù)測模型。

模型1：

本模型分析僅利用傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)預(yù)測y的預(yù)測效果。模型中表示在T期預(yù)測時可用的信息集，由于經(jīng)濟統(tǒng)計數(shù)據(jù)的發(fā)布存在滯后性，所以信息集中僅包含T?1期及其以前的統(tǒng)計數(shù)據(jù)信息。

模型 2：

本模型利用傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)和電力數(shù)據(jù)預(yù)測y，在預(yù)測時以統(tǒng)計數(shù)據(jù)預(yù)測為主，以電力數(shù)據(jù)預(yù)測為輔。模型中表示在T期預(yù)測時可用的信息集，由于電力數(shù)據(jù)實時可得，所以預(yù)測第T期y值時可用到電力數(shù)據(jù)的當(dāng)期值，即第T期的值。表示利用電力數(shù)據(jù)具有但不包含于統(tǒng)計數(shù)據(jù)中的信息進行預(yù)測。

模型3：

本模型分析僅利用電力數(shù)據(jù)預(yù)測y的預(yù)測效果。模型中表示在T期預(yù)測時可用的信息集，由于電力數(shù)據(jù)實時可得所以預(yù)測時可用到電力數(shù)據(jù)的當(dāng)期值。

模型4：

本模型利用傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)和電力數(shù)據(jù)預(yù)測y，在預(yù)測時以電力數(shù)據(jù)預(yù)測為主，以統(tǒng)計數(shù)據(jù)預(yù)測為輔。模型中表示在T期預(yù)測時可用的信息集，表示在利用統(tǒng)計數(shù)據(jù)進行預(yù)測前先將統(tǒng)計數(shù)據(jù)中包含的電力數(shù)據(jù)信息去除。

模型5：

模型5綜合利用傳統(tǒng)統(tǒng)計數(shù)據(jù)和電力數(shù)據(jù)預(yù)測工業(yè)增加值，其與模型2、模型4的區(qū)別在于本模型在預(yù)測中無差別地對待兩類數(shù)據(jù)。

2.2 預(yù)測方法

面對眾多的解釋變量，如何有效地利用其包含的信息是影響預(yù)測結(jié)果的關(guān)鍵問題。采用參考文獻[4]提出的擴散指數(shù)（diffusion index，DI）算法、參考文獻[5]提出的Bagging算法以及參考文獻[6]提出的Boosting算法進行預(yù)測。

2.2.1 DI算法

DI算法為數(shù)據(jù)豐富環(huán)境下的常用預(yù)測方法，下面對擴散指數(shù)方法做簡要介紹。對數(shù)據(jù)集，首先，基于模型提取的共同因子ft=(f1t,…,fqt)，然后利用提取的因子ft構(gòu)建如下模型并進行預(yù)測：

其中，yt為預(yù)測目標變量，為估計的因子向量，tw為可觀測向量。對因子個數(shù)q的估計可利用如下信息準則[7]：

其中：

可以看出DI算法分為兩步：首先，從眾多變量構(gòu)成的信息集中提取因子；然后，將因子納入預(yù)測模型進行預(yù)測。第一步的因子提取既實現(xiàn)了降維又充分利用了大量變量的信息，但在提取因子時并未考慮信息集中的變量是否有助于預(yù)測，這可能導(dǎo)致納入模型的因子不僅無助于預(yù)測反而降低了預(yù)測精準度。為此，采用Bagging算法[5]、Boosting算法[6]解決上述問題以提高工業(yè)增加值的預(yù)測精度。

2.2.2 Bagging算法

Bagging為bootstrap aggregation的縮寫，由Breiman提出[8]。該算法基于提取的bootstrap樣本訓(xùn)練模型并進行預(yù)測，上述過程重復(fù)若干次后將所有預(yù)測值的均值作為最終預(yù)測結(jié)果。近年來，部分學(xué)者將其用于經(jīng)濟時間序列的預(yù)測[9-10]，本文參照參考文獻[5]的做法進行預(yù)測，相應(yīng)Bagging算法可表述為：

其中，?為標準正態(tài)分布函數(shù)，φ為標準正態(tài)密度函數(shù)，c為預(yù)先設(shè)定的值。

2.2.3 Boosting 算法

Boosting算法是一族可將弱學(xué)習(xí)器提升為強學(xué)習(xí)器的算法，一般可表示為如下形式：

其中，αm為權(quán)重，f(X;βm)為定義在信息集X上函數(shù)。參考文獻[11]提出的Boosting算法在每次迭代中僅利用一個變量，使得Boosting算法可適用于存在大量變量且數(shù)據(jù)滿足獨立同分布的場景，參考文獻[6]進一步優(yōu)化了參考文獻[11]的算法，利用Boosting算法處理時間序列問題。采用參考文獻[6]提出的Component-Wise L2 Boosting算法挑選用于預(yù)測的因子，若將Boosting算法作用于因子后得到的值記為，那么最終預(yù)測值為：

3 實證分析

3.1 數(shù)據(jù)說明與處理

本文選擇的數(shù)據(jù)分為兩類：傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)和電力數(shù)據(jù)。所有變量均采用同比增長率，時間跨度為2014年1月至2017年12月。傳統(tǒng)統(tǒng)計數(shù)據(jù)主要包括居民消費價格指數(shù)、名義有效匯率、上證交易所和深證交易所各類指數(shù)、商業(yè)信心指數(shù)、貿(mào)易指數(shù)、貨幣供應(yīng)、存款、宏觀經(jīng)濟景氣指數(shù)等42個變量，這些數(shù)據(jù)來源于CEIC數(shù)據(jù)庫。電力數(shù)據(jù)為不同行業(yè)購電量數(shù)據(jù)的同比值，相關(guān)數(shù)據(jù)來源于國家電網(wǎng)大數(shù)據(jù)中心。

從信息集中提取因子要求信息集中的變量必須為平穩(wěn)變量，為此本文采用常用的增廣迪基?富勒（augmented Dickey-Fuller，ADF）單位根檢驗方法檢驗變量的平穩(wěn)性。ADF檢驗通過對如下3個模型的檢驗進行。

其中，Yt表示被檢驗的時間序列，Δ為差分算子，即ΔYt=Yt?Yt?1。上述3個模型的零假設(shè)均為H0：δ= 0，即時間序列是不平穩(wěn)的。上述3個模型只要有一個模型拒絕了零假設(shè)就認為時間序列是平穩(wěn)的，如果3個模型都不能拒絕零假設(shè)則認為時間序列非平穩(wěn)。對于被檢驗變量，若檢驗表明其不平穩(wěn)，則對其取差分并再次檢驗其平穩(wěn)性；若變量差分后仍不平穩(wěn)，則再次進行差分。限于篇幅原因，本文不給出變量平穩(wěn)性的檢驗結(jié)果及對非平穩(wěn)變量的差分情況。

3.2 基準模型與效果評估

本文選擇自回歸滑動平均（auto-regressive integratedmoving average，ARIMA）模型作為基準模型，采用均方預(yù)測誤差（mean squared forecast error，MSFE）測度模型的預(yù)測效果，MSFE的計算式如下：

其中，MSFENBM為非基準模型的均方預(yù)測誤差，MSFEBM為基準預(yù)測模型的均方預(yù)測誤差。rMSFE小于1，則說明非基準模型較基準模型有更好的預(yù)測效果，而且比值越小說明非基準模型的預(yù)測效果越好。

3.3 結(jié)果比較與分析

本文在估計模型和進行預(yù)測時采用了移動窗口和累積窗口兩種方法。累積窗口法，即在下一期預(yù)測時，將前面所有樣本（包括上一期）的真實值作為訓(xùn)練集放入估計模型中，訓(xùn)練集逐期增加。移動窗口法，就是固定訓(xùn)練集觀察值的長度，每往后預(yù)測一期，訓(xùn)練集往后移動一期。本文選擇2014年1月至2017年6月期間的數(shù)據(jù)作為訓(xùn)練集，選擇2017年7月至2017年12月期間的數(shù)據(jù)作為預(yù)測集。

為充分探究電力數(shù)據(jù)在工業(yè)增加值預(yù)測中的作用，報告基于電力數(shù)據(jù)指標不同分類與傳統(tǒng)統(tǒng)計數(shù)據(jù)組合的預(yù)測效果進行了分析，表1至表9分別呈現(xiàn)了不同模型與數(shù)據(jù)組合預(yù)測工業(yè)增加值的rMSFE。考慮電力數(shù)據(jù)實時可得的特點，本文采用兩種方式利用電力數(shù)據(jù)信息：其一，僅利用電力數(shù)據(jù)當(dāng)期信息，即表1至表9中數(shù)據(jù)無滯后；其二，不僅利用電力數(shù)據(jù)的當(dāng)期信息還利用其滯后信息，即表1至表9中數(shù)據(jù)有滯后。

表1呈現(xiàn)了基于居民和企業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)現(xiàn)時預(yù)測工業(yè)增加值的rMSFE，表2呈現(xiàn)了利用全行業(yè)用電一級指標數(shù)據(jù)與統(tǒng)計數(shù)據(jù)現(xiàn)時預(yù)測工業(yè)增加值的rMSFE。由表1和表2可以發(fā)現(xiàn)以下結(jié)論。

表1 基于居民和企業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)預(yù)測工業(yè)增加的rMSFE

表2 基于全行業(yè)用電一級指標數(shù)據(jù)與統(tǒng)計數(shù)據(jù)預(yù)測工業(yè)增加的rMSFE

（1）對模型1，TMSFE均小于1，這意味著利用ARIMA模型的預(yù)測結(jié)果并不是最優(yōu)的，基于大量傳統(tǒng)統(tǒng)計數(shù)據(jù)的預(yù)測效果要優(yōu)于ARIMA模型。

（2）對模型2到模型5，與僅利用電力數(shù)據(jù)當(dāng)期信息的預(yù)測效果相比，利用電力數(shù)據(jù)當(dāng)期和滯后信息的預(yù)測效果更好。為此本文僅就存在滯后信息的情況進行分析。

（3）對模型3，其在表2中的預(yù)測效果要優(yōu)于在表1中的預(yù)測效果，而且前者的效果要優(yōu)于ARIMA模型，后者的預(yù)測效果與ARIMA模型相比較差。這意味著相對于居民和企業(yè)總用電數(shù)據(jù)，電力全行業(yè)一級指標用電數(shù)據(jù)包含更多有助于工業(yè)增加值預(yù)測的信息。

（4）對模型2，可以發(fā)現(xiàn)利用電力全行業(yè)一級指標以及居民和企業(yè)總用電量的預(yù)測效果均不優(yōu)于模型1，而且利用電力數(shù)據(jù)全行業(yè)一級指標的預(yù)測效果與利用居民和企業(yè)總用電量的預(yù)測效果相比更優(yōu)，這意味著居民和企業(yè)總用電量包含更多無助于工業(yè)增加值預(yù)測的信息。

（5）對模型4，可以發(fā)現(xiàn)其大多數(shù)情況下預(yù)測效果比模型3差，這表明在剔除相應(yīng)電力數(shù)據(jù)信息后，統(tǒng)計數(shù)據(jù)剩余信息含有較多無助于工業(yè)增加值預(yù)測的噪音。對模型5，由于無差別地利用兩類數(shù)據(jù)，且表1、表2所用電力數(shù)據(jù)指標個數(shù)分別為1和8，基于因子提取的機理可推斷模型5的預(yù)測效果在表1中其接近于模型1，在表2中其接近于模型3。

上述分析表明，就工業(yè)增加值的預(yù)測而言，電力數(shù)據(jù)全行業(yè)一級指標比居民和企業(yè)用電總量指標含有更多有用的信息，但仍包含較多無助于預(yù)測的信息，為此接下來的分析將減少電力數(shù)據(jù)指標涉及的行業(yè)。表3、表4分別給出了利用第二產(chǎn)業(yè)總用電數(shù)據(jù)與傳統(tǒng)統(tǒng)計數(shù)據(jù)、工業(yè)總用電數(shù)據(jù)與傳統(tǒng)統(tǒng)計數(shù)據(jù)現(xiàn)時預(yù)測工作增加值的rMSFE。觀察表3、表4可以發(fā)現(xiàn)以下結(jié)論。

表3 基于第二產(chǎn)業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

表4 基于工業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

（1）對模型2到模型5，較之于僅利用電力數(shù)據(jù)當(dāng)期信息的預(yù)測效果，利用電力數(shù)據(jù)當(dāng)期和滯后信息的預(yù)測效果更好。這意味著第二產(chǎn)業(yè)總用電數(shù)據(jù)、工業(yè)總用電數(shù)據(jù)的歷史信息較之于當(dāng)期信息具有更好的預(yù)測作用，具有領(lǐng)先性。故下面僅就存在滯后的情況進行分析。

（2）對模型3，在表3、表4中rMSFE均小于1，這表明其預(yù)測效果均優(yōu)于ARIMA模型。此外，由模型3在表4中具有更好的預(yù)測效果可知，工業(yè)總用電數(shù)據(jù)比第二產(chǎn)業(yè)總用電數(shù)據(jù)包含更多有助于工業(yè)增加值現(xiàn)時預(yù)測的信息。

（3）比較模型1和模型3可知，模型3具有更好的預(yù)測效果，這表明較之于統(tǒng)計數(shù)據(jù)，第二產(chǎn)業(yè)總用電數(shù)據(jù)或者工業(yè)總用電數(shù)據(jù)含有更多有助于工業(yè)增加值預(yù)測的信息。

基于上述分析，工業(yè)總用電數(shù)據(jù)相對于第二產(chǎn)業(yè)總用電數(shù)據(jù)含有更多有助于工業(yè)增加值現(xiàn)時預(yù)測的信息?？紤]工業(yè)部門包含不同行業(yè)，接下來探究工業(yè)部門中不同行業(yè)用電數(shù)據(jù)現(xiàn)時預(yù)測工業(yè)增加值的能力，預(yù)測結(jié)果如表5至表9所示。表5、表6分別給出了基于工業(yè)部門用電二級指標數(shù)據(jù)與統(tǒng)計數(shù)據(jù)、工業(yè)部門用電一級指標數(shù)據(jù)與統(tǒng)計數(shù)據(jù)的預(yù)測效果。觀察表5、表6可以發(fā)現(xiàn)以下結(jié)論。

（1）對模型2到模型5，用電力當(dāng)期及滯后期數(shù)據(jù)的預(yù)測效果更好。這同樣表明相關(guān)電力數(shù)據(jù)的歷史信息比當(dāng)期信息具有更好的預(yù)測作用，所以本文僅就存在滯后的情況進行分析。

（2）比較模型3與模型1，顯然前者的預(yù)測效果優(yōu)于后者。這意味著較之于統(tǒng)計數(shù)據(jù)，表5、表6所用電力數(shù)據(jù)含有更多有助于工業(yè)增加值預(yù)測的信息。這點通過比較模型2與模型1、模型4與模型3的預(yù)測效果也可以看出。

對比表4、表5、表6中模型3的預(yù)測效果可以發(fā)現(xiàn)，盡管都利用了工業(yè)部門的電力數(shù)據(jù)信息，但表6中模型3的預(yù)測效果卻更好，即利用工業(yè)部門用電一級指標數(shù)據(jù)的預(yù)測效果要優(yōu)于利用工業(yè)部門總用電數(shù)據(jù)及工業(yè)部門用電二級指標數(shù)據(jù)的預(yù)測效果。結(jié)合因子分析的機理，認為這可能源于工業(yè)部門中部分行業(yè)的用電數(shù)據(jù)無助于工業(yè)增加預(yù)測。故接下來將統(tǒng)計數(shù)據(jù)分別與表6中所用工業(yè)部門用電一級指標（即礦業(yè)、制造業(yè)、電力、燃氣及水的生產(chǎn)和供應(yīng)業(yè)3個行業(yè)各自用電總量數(shù)據(jù)）結(jié)合進行工業(yè)增加值現(xiàn)時預(yù)測，相應(yīng)的預(yù)測結(jié)果見表7、表8、表9。通過比較可以發(fā)現(xiàn)以下結(jié)論。

表5 基于工業(yè)部門用電二級指標數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

表6 基于工業(yè)部門用電一級指標數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

表7 基于采礦業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

表8 基于制造業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

表9 基于電力、燃氣及水的生產(chǎn)和供應(yīng)業(yè)總用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)工業(yè)增加的rMSFE

（1）對模型2到模型5的預(yù)測效果，在表7和表8中利用電力數(shù)據(jù)當(dāng)期及滯后期信息的預(yù)測效果較之于僅利用電力數(shù)據(jù)當(dāng)期信息的預(yù)測效果更優(yōu)，但在表9中則僅利用電力數(shù)據(jù)當(dāng)期信息時的預(yù)測效果更好。故接下來的分析對表7和表8僅討論利用電力數(shù)據(jù)當(dāng)期及滯后信息的情形，對表9僅討論利用電力數(shù)據(jù)當(dāng)期信息時的情形。

（2）對模型3，其在表7、表8、表9中的預(yù)測效果依次遞減；模型3在表6中的預(yù)測效果明顯地弱于其在表7 中的預(yù)測效果，但優(yōu)于其在表8、表9中的預(yù)測效果。

（3）對于模型1與模型3，可以發(fā)現(xiàn)在表9中前者的預(yù)測效果明顯優(yōu)于后者，而在表6、表7及表8中后者的預(yù)測效果優(yōu)于前者，特別是在表7中更是如此。

上述關(guān)于模型3、模型1在表6、表7、表8及表9中預(yù)測效果的分析表明利用電力、燃氣及水的生產(chǎn)和供應(yīng)業(yè)電力數(shù)據(jù)與統(tǒng)計數(shù)據(jù)的組合可能不是現(xiàn)時預(yù)測工業(yè)增加值的最佳組合。此外，在表7中模型2的預(yù)測效果優(yōu)于模型1，而在表8中除Boosting算法外模型2的預(yù)測效果并不優(yōu)于模型1，這在一定程度上表明采礦業(yè)總體用電數(shù)據(jù)去除統(tǒng)計數(shù)據(jù)信息后仍含有較多有助于工業(yè)增加值預(yù)測的信息，而制造業(yè)總體用電數(shù)據(jù)在去除統(tǒng)計數(shù)據(jù)信息后所含有助于工業(yè)增加值預(yù)測的信息相對較少。

以上部分基于表1至表9中的rMSFE分析了DI、Bagging、Boosting算法與兩類數(shù)據(jù)不同結(jié)合方式的預(yù)測效果，圖1給出了上述各表中移動窗口下3種算法各自的最佳預(yù)測值曲線，以更加直觀地呈現(xiàn)不同預(yù)測方法及數(shù)據(jù)結(jié)合方式的預(yù)測效果。觀察圖1可以發(fā)現(xiàn)，表3、表4、表6、表7中各預(yù)測方法的預(yù)測值曲線與工業(yè)增加值實際值曲線趨勢一致，預(yù)測殘差相對較小，而且就預(yù)測值曲線趨勢和預(yù)測殘差來看，基于DI算法的預(yù)測曲線相對更優(yōu)。

綜合上述分析可以發(fā)現(xiàn)，就工業(yè)增加值的現(xiàn)時預(yù)測而言，第二產(chǎn)業(yè)、工業(yè)、采礦業(yè)、制造業(yè)的總體用電數(shù)據(jù)均有較好的預(yù)測效果，而且采礦業(yè)總體用電數(shù)據(jù)與統(tǒng)計數(shù)據(jù)的組合是相對更優(yōu)的數(shù)據(jù)組合。就預(yù)測方法而言，DI的預(yù)測效果要優(yōu)于Bagging、Boosting，這或許與所用數(shù)據(jù)有關(guān)。此外，較之于僅僅利用電力數(shù)據(jù)當(dāng)期信息，利用電力數(shù)據(jù)當(dāng)期及滯后期信息可實現(xiàn)更好的工業(yè)增加值現(xiàn)時預(yù)測效果。

4 結(jié)束語

伴隨著人類社會邁入大數(shù)據(jù)時代，部分學(xué)者嘗試利用新興大數(shù)據(jù)進行宏觀經(jīng)濟預(yù)測。新興大數(shù)據(jù)與傳統(tǒng)經(jīng)濟統(tǒng)計數(shù)據(jù)各具優(yōu)劣，但現(xiàn)有的宏觀經(jīng)濟預(yù)測研究或者側(cè)重對一類數(shù)據(jù)的挖掘應(yīng)用，或者對兩類數(shù)據(jù)無區(qū)別地使用，涉及對這兩類數(shù)據(jù)關(guān)系的探討及區(qū)別對待的研究較少。電力數(shù)據(jù)作為經(jīng)濟發(fā)展的“晴雨表”，與經(jīng)濟活動密切相關(guān)，但鮮有文獻探究電力數(shù)據(jù)在宏觀經(jīng)濟預(yù)測中的價值。本文提出了電力大數(shù)據(jù)與經(jīng)濟統(tǒng)計數(shù)據(jù)在宏經(jīng)濟預(yù)測中相結(jié)合的5種方式，采用DI、Bagging、Boosting等大數(shù)據(jù)預(yù)測算法，對工業(yè)增加值這一重要宏觀經(jīng)濟指標進行了預(yù)測，探究了在工業(yè)增加值預(yù)測中如何有效地利用電力大數(shù)據(jù)與經(jīng)濟統(tǒng)計數(shù)據(jù)兩類信息以獲得更加及時、準確的預(yù)測結(jié)果。研究結(jié)果表明，基于選擇出的恰當(dāng)電力指標，可以得到更加及時、準確的工業(yè)增加值預(yù)測結(jié)果。本文的研究可為宏觀經(jīng)濟預(yù)測中如何有效利用新興數(shù)據(jù)和經(jīng)濟統(tǒng)計數(shù)據(jù)兩類信息提供有益的借鑒與啟示。