基于网络搜索数据的我国GDP预测研究

作     者：卢子晗 

作者单位：北方工业大学 

学位级别：硕士

导师姓名：王书平

授予年度：2024年

学科分类：02[经济学] 0201[经济学-理论经济学] 020105[经济学-世界经济] 

主      题：GDP预测 网络搜索数据 金枪鱼群优化算法 最小二乘支持向量回归模型 

摘      要：国内生产总值(GDP)能够反映国家经济规模和活跃度,研究其规律对优化调控和可持续发展至关重要。当前世界经济复苏缓慢,大国关系复杂,我国经济增速放缓,急需准确的经济预测信息辅助政策制定。大数据时代下,互联网用户的搜索量为研究宏观经济提供了全新的数据支撑。本文创新地采用时效领先的网络搜索数据(Web Search Data,WSD),结合优化算法构建预测模型,提高了预测的及时性和准确性,为政府决策提供了科学依据。在以下方面取得了进展: (1)构建了与GDP相关的网络搜索数据指标体系。该体系基于国民经济核算与经济增长理论,涵盖了影响GDP变化趋势的三大类别和七大因素,即需求类的消费、投资和进出口,供给类的劳动力、资本和技术创新以及政策类因素,综合考虑这些因素选取网络搜索关键词,以确保指标体系的全面性和客观性。结果表明,此体系能实时反映市场需求、消费者行为、供给动态、行业趋势及政策影响,为GDP预测与分析提供科学依据,助力及时全面了解市场动态和经济状况。 (2)深入剖析了网络搜索数据与GDP的内在联系,通过理论与实证分析双重验证。从需求、供给、政策三个层面构建理论框架,确定初始搜索关键词。运用时差相关分析法筛选出与GDP紧密相关且其变动趋势先于GDP的关键词,再经主成分分析法降维得到网络搜索指数。综合运用协整关系检验、脉冲响应函数和方差分解,从长期和短期的视角分别探究二者的均衡关系和动态调整效应。结果表明,网络搜索指数能及时反映GDP波动,二者存在着长期均衡关系,相关系数高达0.946。网络搜索行为能够迅速影响GDP,同时公众对于GDP的波动也呈现出理性调整的特征。 (3)构建了基于网络搜索数据的GDP预测模型。此模型融合了网络搜索数据和参数优化算法优势,提升了预测时效性与准确性。选取新兴的金枪鱼群(Tuna Swarm Optimization,TSO)算法、应用广泛的粒子群算法分别作为备选优化算法,适合小样本数据预测的最小二乘支持向量回归(Least Squares Support Vector Regression,LSSVR)模型、抗噪能力强的长短期记忆网络模型分别作为备选预测模型,将它们两两匹配形成经优化的预测模型。并从优化算法、预测模型和网络搜索数据的角度比较各备选优化模型及未经优化的原预测模型的预测性能,从中得到最优预测模型。结果表明,对比其他七个模型,在加入网络搜索数据后,经TSO算法优化的LSSVR模型(即TSO-LSSVR&WSD模型)预测精度均有所提高;TSO算法在LSSVR模型关键参数优化方面表现出更高的适用性,引入参数智能优化算法可以改善模型的预测性能;相较于未加入网络搜索数据的预测模型,引入网络搜索数据后误差降低了42.11%,同时还增强了预测的时效性,利用网络搜索数据所得到的GDP预测值相较于官方发布的数据提前一个月。 本文构建的TSO-LSSVR&WSD模型在GDP预测中表现出色,具有理论与应用价值。该模型基于网络搜索数据,为GDP预测提供新思路,丰富了宏观经济预测的微观数据基础,弥补了政府数据公布滞后的缺陷。通过优化算法调整模型参数,提升预测准确性,完善GDP预测方法体系,拓宽大数据在宏观经济分析中的应用。此外,该模型有助于企业及时调整战略,提高风险应对能力,为政府部门在宏观调控的时机选择与力度把握提供了重要的决策支撑。