大数据时代的数量经济模型研究——以BP神经网络的中国CPI预测为例

大数据时代的来临,掀起了大数据与传统学科融合发展的热潮,探寻"大数据+数量经济学模型"的发展之路势在必行。本文运用文献计量分析,对大数据时代较有代表性的定量研究方法和模型进行分类梳理,并基于BP神经网络模型结合36个指标数据对中国居民消费价格指数(CPI)进行多元变量预测。研究表明,BP神经网络的预测结果最优。因此,未来要强化传统数量经济学的大数据化升级,注重非线性、非参数、模型自由化的研究方法在实际问题中的应用。

基于多元传导模型的物价指数预测新方法——2018年中国物价展望

精准的物价预测是科学制定宏观经济调控政策的决策前提和依据,如何提高物价预测的准确性是宏观经济政策实践面临的重要问题之一。本文以工业生产者购进价格指数(PPIRM)、工业品出厂价格指数(PPI)、居民消费价格指数(CPI)为研究对象,基于Granger因果检验分析价格指数构成要素之间的价格传导关系,提出一种新的多元传导模型对三种价格指数的环比数据进行预测,并在此基础上计算翘尾因素以推算物价的同比数据。实证结果表明,本文所提出的新的预测方法对物价环比数据和同比数据的预测效果在水平预测和方向预测的角度上,均优于基准模型。基于这一方法对2018年我国物价进行了预测,主要结果包括:2018年我国物价整体稳定,CPI将温和上涨,涨幅比2017年提高,全年上涨2.1%,其中翘尾因素影响1个百分点;PPI和PPIRM将继续上涨,但涨幅比2017年回落,全年分别上涨3.6%和4.3%,其中翘尾因素分别影响2.4和2.8个百分点。