论文部分内容阅读
国内生产总值（GDP）作为衡量国家经济状况的基础指标,它的稳定并持续增长和国家经济健康发展有着密不可分的关系,GDP的预测关系着国家和政府分辨出经济状态是萎缩还是膨胀,最终决定是刺激还是抑制经济增长,在整体宏观经济研究中举足轻重。然而,GDP数据具有时序性和非线性的特点,其预测相对繁杂。现有的研究主要存在两个问题:其一,预测精度欠缺;其二,模型仅适用于特定区域,不能根据用户期望完成区域经济预测。针对以上问题,本文在前人的研究基础之上,以一种全新的视角,将空间计量经济学和人工智能方法有机结合,应用到宏观经济预测当中,以提升其预测精度。在指标选取上,将地理空间指标引入到GDP预测当中,构建了一套科学合理的GDP预测指标体系,“消除”地域差异对经济预测的影响,实现用户期望地区的GDP预测。在预测模型上,以BP神经网络为基础,通过双重优化提升了模型预测精度。首先,本文根据GDP核算法和相关影响因素,识别出本文的预测基础指标,并将地理空间指标通过数值化引入到GDP预测当中,建立了一套科学的基于地理空间的GDP预测指标体系。然后,本文在BP神经网络模型的基础之上,建立了双重优化的BP神经网络模型。该模型主要分为粒子群算法优化BP神经网络和动态调整的学习因子优化粒子群算法两个子模块。在粒子群算法优化BP神经网络模块,将粒子群算法得到的群体最优位置映射到BP神经网络中,代替原本随机选取的权重w和偏置b,从而降低神经网络训练负担,并提升模型预测精度。同时,通过动态调整的学习因子c1和c2来加快粒子群算法的收敛速度,完成整个模型优化。最后,通过对两个重要指标:GDP增速和人均GDP进行实证分析,发现,本文提出的基于地理空间的GDP预测模型确实能提升GDP预测精度,同时能实现用户期望地区的GDP预测。并得到我国应因地制宜,对北方和西部的边远地区要加大教育、科技以及人才引进的投入,同时通过刺激居民消费和扩大进出口等手段拉动欠发达地区经济增长的结论。