[摘要] 本文利用自組織數(shù)據(jù)挖掘算法，探索使用Knowledge Miner 軟件對成都市宏觀經(jīng)濟主要指標建立預(yù)測模型，比較分析各模型的優(yōu)劣，并結(jié)合成都市經(jīng)濟數(shù)據(jù)深入分析。

[關(guān)鍵詞] 自組織數(shù)據(jù)挖掘算法 知識挖掘 主要指標

一、引言

經(jīng)過長期的發(fā)展， 宏觀經(jīng)濟預(yù)測研究在建立與使用定量預(yù)測模型和定性預(yù)測模型等諸多方面取得了長足的進步。由烏克蘭科學(xué)院A.G.Ivakhnenko首次提出的GMDH算法，兼具定性定量的研究特點，較好的剔除了個人主觀因素對指標的干擾，結(jié)合Knowledge Miner軟件能夠建立較優(yōu)的經(jīng)濟預(yù)測模型，

成都市的經(jīng)濟總量占全省的32%，人均年GDP名列中國西部省會第一，采用成都市的指標作為對象具有很強的說服力。

二、GMDH自回歸模型介紹

數(shù)據(jù)分組處理方法（簡稱 GMDH）是一種基于遺傳進化的演化方法，它依據(jù)給定的準則從一系列候選模型集合中挑選較優(yōu)模型。GMDH算法通過遺傳變異和篩選，產(chǎn)生很多具有不斷增長復(fù)雜度的候選模型，直至模型在觀測樣本數(shù)據(jù)上產(chǎn)生過擬合為止。該方法需要一定量的初始模型，這些初始模型(或稱神經(jīng)元)可以通過微分或差分方程組，或者是它們的解來描述。

GMDH自回歸模型基于黑箱方法，從輸入輸出數(shù)據(jù)的樣本來分析系統(tǒng)，并通過基本函數(shù)網(wǎng)絡(luò)來描述復(fù)雜函數(shù)，因此很適合對周期性比較強的數(shù)據(jù)進行預(yù)測，預(yù)測效果較好。

三、模型構(gòu)建與比較分析

假設(shè)： X1—GDP，X2—財政收入，X3—財政支出，X4—社會消費品零售總額，X5—城市居民就業(yè)人口

為了增強可比性，均采用數(shù)據(jù)長度29，其中檢驗集為1978年～2000年23年的原始數(shù)據(jù)，相關(guān)模型輸入變量個數(shù)34，訓(xùn)練集為2001年～2006年的數(shù)據(jù)，最大時滯均為 6， 由Knowledge Miner軟件分別建立預(yù)測模型對比結(jié)果如表。數(shù)據(jù)來源于成都市2007年統(tǒng)計年鑒。

可見，以GDP（X1）為因變量的預(yù)測模型篩選出輸入變量財政收入（X2），社會消費品零售總額（X4），城市居民就業(yè)人口（X5），說明，財政收入、社會消費品零售總額、城市居民就業(yè)人口在某種程度上影響著GDP，而社會消費品零售總額、城市居民就業(yè)人口因為存在一定的線性關(guān)系導(dǎo)致X4、X5的系數(shù)為負。對于財政收入來說，受到社會消費品零售總額和財政支出的影響，同時，從財政支出的預(yù)測模型來看財政收入，社會消費品零售總額又是財政支出的影響因素，本次指標體系的城市居民就業(yè)人口指標沒有受到其它指標的影響。

結(jié)合成都市宏觀經(jīng)濟的經(jīng)濟現(xiàn)狀，特別是針對成都市GDP來說，GDP的計算包括了財政收入，社會消費品零售總額，而城市居民就業(yè)人口通過影響職工的工資收入同樣影響著GDP的數(shù)據(jù)，可見通過Knowledge Miner可辨別指標之間某些內(nèi)在聯(lián)系，實際可行。

對比兩種建模結(jié)果的PESS（預(yù)測誤差的平方和），有，X1（GDP），X2（財政收入），X3（財政支出），X4（社會消費品零售總額）四個指標都或多或少的受到其他指標的影響，而X5（城市居民就業(yè)人口）模型的內(nèi)生變量不包含其他任何指標，針對相同的指標所建立的預(yù)測模型，對比可看出X1（GDP），X2（財政收入），X3（財政支出），X4（社會消費品零售總額）四個指標的單指標自回歸模型的PESS值明顯劣于相關(guān)自回歸模型，而對于不包含其他指標的X5（城市居民就業(yè)人口）則正好相反，由此可推出，使用knowledgeminer進行經(jīng)濟預(yù)測時，先分析各指標間的相關(guān)性，再選擇相應(yīng)的自組織數(shù)據(jù)挖掘算法效果更佳。

四、結(jié)術(shù)語

采用定性和定量分析相結(jié)合的方法對成都市宏觀經(jīng)濟主要指標建立預(yù)測模型后，本人發(fā)現(xiàn)使用knowledgeminer在進行經(jīng)濟預(yù)測建模時，首先進行相關(guān)自回歸建模，后再使用單指標自回歸模型，能夠有效的提高預(yù)測的準確度。

參考文獻：

賀昌政:自組織數(shù)據(jù)挖掘與經(jīng)濟預(yù)測[M].科學(xué)出版社，2005