中国国内生产总值增长的分析和预测

1、 中国国内生产总值增长的分析和预测一.摘要中国经济继改革开放后一直呈井喷式发展,继续高速发展达30年之久.截止2014年, 中国GDP总量排名世界第二,已经一跃成为世界第二大经济体,大有赶超美国,成为世界头号强国之势. 国内生产总值(GDP)是现代国民经济核算体系的核心指标，是衡量一个国家综合国力的重要指标。 我收集到1978年到2013年的生产生产总值(GDP)等相关统计数据，先建立了关于GDP增长的回归预测模型通过matlab编程计算，判断出 对现实数据的拟合效果最好，从而预测了2015-2018年GDP总量，但是预测值与实际极度不符。为了更好预测,使用ARIMA模型.选取ARIMA模型预

2、测的结果进行分析，预计中国GDP将继续保持增长，不过增长率缓慢下降。猜想：GDP年增长率最后将趋于稳定。关键词：GDP；回归预测模型；ARIMA模型 二. 研究GDP的意义国内生产总值(Gross Domestic Product，简称GDP)是指在一定时期内(一个季度或一年)，一个国家或地区的经济中所生产出的全部最终产品和劳务的价值，常被公认为衡量国家经济状况的最佳指标。它不但可反映一个国家的经济表现，更可以反映一国的国力与财富。一般来说，国内生产总值共有四个不同的组成部分，其中包括消费、私人投资、政府支出和净出口额。用公式表示为：。式中：为消费、为私人投资、为政府支出、为净出口额。一国的G

3、DP大幅增长，反映出该国经济发展蓬勃，国民收入增加，消费能力也随之增强。在这种情况下，该国中央银行将有可能提高利率，紧缩货币供应，国家经济表现良好及利率的上升会增加该国货币的吸引力。反过来说，如果一国的GDP出现负增长，显示该国经济处于衰退状态，消费能力减低时，该国中央银行将可能减息以刺激经济再度增长，利率下降加上经济表现不振，该国货币的吸引力也就随之而减低了。因此，一般来说，高经济增长率会推动本国货币汇率的上涨，而低经济增长率则会造成该国货币汇率下跌。例如，1995-1999年，美国GDP的年平均增长率为4.1%，而欧元区11国中除爱尔兰较高外(9.0%)，法、德、意等主要国家的GDP增长率

4、仅为2.2%、1.5%和1.2%，大大低于美国的水平。这促使欧元自1999年1月1日启动以来，对美元汇率一路下滑，在不到两年的时间里贬值了30%。但实际上，经济增长率差异对汇率变动产生的影响是多方面的：一是一国经济增长率高，意味着收入增加，国内需求水平提高，将增加该国的进口，从而导致经常项目逆差，这样，会使本国货币汇率下跌。二是如果该国经济是以出口导向的，经济增长是为了生产更多的出口产品，则出口的增长会弥补进口的增加，减缓本国货币汇率下跌的压力。三是一国经济增长率高，意味着劳动生产率提高很快，成本降低改善本国产品的竞争地位而有利于增加出口，抑制进口，并且经济增长率高使得该国货币在外汇市场上被看

5、好，因而该国货币汇率会有上升的趋势。国内生产总值（GDP）是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果。这个指标把国民经济全部活动的产出成果概括在一个极为简明的统计数字之中，为评价和衡量国家经济状况、经济增长趋势及社会财富的经济表现提供了一个最为综合的尺度，可以说，它是影响经济生活乃至社会生活的最重要的经济指标。对其进行的分析预测具有重要的理论与现实意义。本文以我国为例，建立数学模型，分析经济增长的内在特征。并对未来五年我国经济发展做出预测，为政府制定经济发展战略提供依据。 三 首先处理收集到的资料,用matlab画图数据库：年度数据地区：全国时间国内生产总值(亿元)2013年

6、568845.212012年519470.12011年473104.052010年401512.82009年340902.812008年314045.432007年265810.312006年216314.432005年184937.372004年159878.342003年135822.762002年120332.692001年109655.172000年99214.551999年89677.051998年84402.281997年78973.031996年71176.591995年60793.731994年48197.861993年35333.921992年26923.481991年217

7、81.51990年18667.821989年16992.321988年15042.821987年12058.621986年10275.181985年9016.041984年7208.051983年5962.651982年5323.351981年4891.561980年4545.621979年4062.581978年3645.22数据来源：国家统计局图一图二程序如下%图1x=1978:2008;y=3624.1,4038.2 ,4517.8 ,4862.4,5294.7,5934.5,7171.0,8964.4,10202.2 ,11962.5 ,14928.3 ,16909.2 ,18547.

8、9 ,21617.8 ,26638.1 ,35334.0 ,48198.0 ,60794.0 ,71176.6 ,78973.0 ,84402.3 ,89677.1 ,99214.6 ,109655.2 ,120332.7 ,135822.8 ,159878.3 ,183217.4 ,211923.5 ,257305.6 ,314045.0 ;plot(x, y,'-+');title('图1 GDP随时间变化曲线');xlabel('时间/年');ylabel('GDP/亿元');%图2t=11.4000000000000,11

9、.9000000000000,7.60000000000000,8.90000000000000,12.1000000000000,20.9000000000000,25,13.8000000000000,17.3000000000000,24.8000000000000,13.3000000000000,9.70000000000000,16.6000000000000,23.2000000000000,32.6000000000000,36.4000000000000,26.1000000000000,17.1000000000000,11,6.90000000000000,6.20000

10、000000000,10.6000000000000,10.5000000000000,9.70000000000000,12.9000000000000,17.7000000000000,14.6000000000000,15.7000000000000,21.4000000000000,22.1000000000000;n=1979:2013plot(n,t,'-o');title('图2 GDP年增长率随时间变化曲线');xlabel('时间/年');ylabel('GDP年增长率/%');set(gca,'Xtic

11、k',1979:3:2013)观察图1可得，自1978年开始中国的GDP一直保存增长状态。通过图2从GDP的年增长率来看，GDP年增长率的变化真是太快了，GDP年增长率在1980年到1981年处于下降，1981年到1985年保持上升，经过1986年的下降，接下来两年又保持上升状态，然后又是两年下降，随后到1994年一直增长达到最大值，接着连续5年下降，于1999年达到谷底，最后一直到2014年状态虽起起伏伏,但都处于稳步增长状态.四.建立模型建立模型,并进行一系列计算后,得到但发现此结果无法很好拟合2013年后的数据,引入ARIMA模型预测从图一我们大致可以确定该图与幂函数多项式的图像

12、较为相近,所以我们建立了多项式模型,运用MATLAB计算 表二 回归检验参数多项式的次数决定系数R回归方程的F统计拒绝无效假设的概率20.9659396.7026030.9845572.8865040.9922826.3737050.99812646.0241060.99883284.6603070.99913543.7730090.99913236.88050根据多项式模型的检验方法，二次，三次及四次多项式大部分指标差别不大，拟合效果比较差，从五次到七次多项式拟合效果越来越好，到八次多项式F值突然减小，造成拟合效果下降，于是本文选择了七次多项式来拟合。利用matlab统计工具求解，得到回归系

13、数估计值及置信区间（置信水平=0.05）见表三表三 模型计算结果参数参数估计值参数置信区间15706.3967388.8805,31023.9129-16126.7508-31514.2175,-739.28416564.10661431.6056,11696.6077-1124.7878-1914.9731,-334.602495.866532.2050,159.5281-4.1564-6.9269,-1.38600.08800.02631,0.1496-0.0007-0.0013,-0.0002于是得到回归方程 （其中x表示具体年度减去1977）绘图如图3有图三,我们可以进一步确定拟合效果

14、非常好.程序如下:V=3624.1,4038.2 ,4517.8 ,4862.4,5294.7,5934.5,7171.0,8964.4,10202.2 ,11962.5 ,14928.3 ,16909.2 ,18547.9 ,21617.8 ,26638.1 ,35334.0 ,48198.0 ,60794.0 ,71176.6 ,78973.0 ,84402.3 ,89677.1 ,99214.6 ,109655.2 ,120332.7 ,135822.8 ,159878.3 ,183217.4 ,211923.5 ,257305.6 ,314045.0 ' c =1:31; R=

15、c'x = ones( size( R ) ), R, R.2,R.3,R.4,R.5,R.6,R.7; alpha = 0.05;b, bint, r, rint, stat = regress(V, x, alpha); n = 1000;t = linspace( min(R), max(R), n); y = polyval( fliplr( b' ), t ); % y = b(1) + b(2) * t + b(3) * t.2;figure;plot(t, y,'-',R,V,'+');title('图3 GDP随时间变化曲

16、线');xlabel('时间');ylabel('GDP总量');legend('拟合值','实际值');AMIRM模型源代码a=3624.1,4038.2 ,4517.8 ,4862.4,5294.7,5934.5,7171.0,8964.4,10202.2 ,11962.5 ,14928.3 ,16909.2 ,18547.9 ,21617.8 ,26638.1 ,35334.0 ,48198.0 ,60794.0 ,71176.6 ,78973.0 ,84402.3 ,89677.1 ,99214.6 ,109655

17、.2 ,120332.7 ,135822.8 ,159878.3 ,183217.4 ,211923.5 ,257305.6 ,314045.0 ;r11=autocorr(a);r12=parcorr(a);da=diff(a);r21=autocorr(da);r22=parcorr(da);n=length(da);for i=0:3 for j=0:3 spec=garchset('R',i,'M',j,'Display','off'); coeffX,errorsX,LLFX=garchfit(spec,da); num=garchcount(coeffX); aic,bic=aicbic(LLFX,num,n); fprintf('R=%d,M=%d,AIC=%f,BIC=%fn',i,j,aic,bic); endendr=input('R=