基于时间序列模型的中国GDP增长预测分析
第３３卷 第１７８期２０１２年７月
财经理论与实践（双月刊）
ＴＨＥ ＴＨＥＯＲＹ ＡＮＤ ＰＲＡＣＴＩＣＥ ＯＦ ＦＩＮＡＮＣＥ ＡＮＤ ＥＣＯＮＯＭＩＣＳ
Ｖｏｌ．３３ Ｎｏ．１７８
Ｊｕｌ． ２０１２
·信息与统计·
基于时间序列模型的中国ＧＤＰ增长预测分析
何新易
（南通大学商学院，江苏南通 ２２６０１９）＊
摘 要：作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，如果能够对ＧＤＰ做出正确的预测，必然可以有效引导宏观经济健康发展，为高层管理部门提供决策依据。选用适合短期预测的ＡＲＩＭＡ模型对中国１９５２～２０１０年的ＧＤＰ进行计量建模分析，预测结果认为未来五年中国的经济增长仍将处于一个水平较高的上升通道。
关键词：时间序列模型；ＧＤＰ；预测
中图分类号：Ｆ２３４ 文献标识码： Ａ 文章编号：１００３－７２１７（２０１２）０４－００９６－０４
一、引 言
作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，国内生产总值（Ｇｒｏｓｓ Ｄｏｍｅｓｔｉｃ Ｐｒｏｄｕｃｔ，ＧＤＰ）对于判断经济态势运行、衡量经济综合实力、正确制定经济政策等诸多方面，以及在经济研究实际工作中，均起着不可替代的重要作用。
熊志斌（２０１１）深入分析了时间序列模型与神经网络（ＮＮ）模型的优势和劣势，按照两种模型的预测特性，在比较的基础之上，分别构建了ＡＲＩＭＡ模型和ＮＮ模型，并根据一定算法对两种模型进行了集成。将ＧＤＰ时间序列的数据结构，根据在非线性空间和线性空间的预测优势，进一步分解为线性非线性残差和自相关主体两部分，即首先用ＡＲＩＭＡ分析技术构建线性主体模型，然后用ＮＮ模型估计非线性残差，再对序列的整个预测结果进行最终集成。仿真实证结果表明：与单一模型相比，集成模型的预测准确率显著提高，进行ＧＤＰ预测当然使用集成模型更为有效［１］。桂文林和韩兆洲（２０１１）认为由于迄今为止，包括季度ＧＤＰ在内的经季节调整之后的经济数据，中国政府尚未进行公布，不但无法进行国际之间的横向比较，也不利于监测中国宏观经济态势。本文运用１９９６年第１季度至２００９年第４季度的中国实际ＧＤＰ数据，构建了状态空间模型，使用卡尔曼滤波迭代算法对季节调整模型状态向量的
各分量，进行了最优平滑、预测和估计，并使用极大似然方法估计了超参数。经过对ＧＤＰ的主要季节和趋势特征的分析，计算出了环比增长率指标来监测和分析经济走势，并与国际通用的ＴＲＡＭＯ－ＳＥＡＴＳ季节调整模型进行了对比，以便鉴别趋势拐点，制定相关的经济政策［２］。高帆（２０１０）运用１９５２～２００８年的上海ＧＤＰ增长率数据，实证研究其内在变动机制，将ＧＤＰ增长率分解为纯生产率效应、纯劳动投入效应、纯生产结构效应、纯劳动结构效应，并分析了这四种效应之间的交互影响。结果表明：在上海ＧＤＰ增长率提高的四种效应之中，纯生产率效应起到了关键作用。上海ＧＤＰ增长率自１９７８年改革开放之后，在整体上对纯生产率效应的依赖度趋于增强。在１９７８～１９８９年期间，纯劳动结构效应是ＧＤＰ增长的主要因素，由于市场化改革的进一步加大，劳动力跨部门流转在很大程度上得以实现。在１９９０～２００８年期间，纯生产率效应是ＧＤＰ增长的主要因素，正是由于在此历史阶段，由于资本深化进一步加速，从而有效提高了部门劳动生产率。基于实证的研究结论，可以针对性地制定出今后上海市经济实现持续增长的若干宏观政策［３］。腾格尔和何跃（２０１０）利用中国季度ＧＤＰ数据分别构建了ＡＲＩＭＡ和ＡＲＣＨ模型，同时利用ＧＭＤＨ自组织方法尝试建模，经过Ｂｏｎ－ｆｅｒｒｏｎｉ－Ｄｕｎｎ检验，表明与单一模型相比，组合模型的拟合能力更强。研究表明，基于ＧＭＤＨ组合的ＧＤＰ模
＊收稿日期： ２０１２－０２－１２
作者简介： 何新易（１９６６—），男，湖北武汉人，南通大学商学院副教授，经济学博士，研究方向：宏观国民经济问题、中国企业集团融资和投资。
年第期（总第期）何新易：基于时间序列模型的中国ＧＤＰ增长预测分析型预测精度更高，无论是经济正常增长时期，还是在经济出现较大波动时期，组合模型的可靠性与准确
性都相对较高［
４］
。时间序列模型预测是在充分掌握历史数据的基础之上，分析目标对象随着时间改变的发展规律，从而准确预测其未来的变化情况。时间序列建模本质上属于“
外推法”，也就是通过对时间序列的处理来研究目标变化，然后利用外推机制将内在规律推演到未来。由于在ＧＤＰ分析和预测的实际应用中，
传统方法运用存在很大的难度［５］
，而ＡＲＩＭＡ模型是
目前经济预测中的公认的比较先进的时间序列模型之一，因此本文选用的ＡＲＩＭＡ模型对中国１９５２～２０１０年的ＧＤＰ总量进行短期预测，
具有重要的现实意义和学术价值。
二、时间序列模型
（一）ＡＲＩＭＡ模型的一般介绍
时间序列进行分析的基本思想是：某些数据序列可以看作是随着时间ｔ而随机变化的变量，该序列的单个数据构成序列值虽然不确定，但是整个序列却呈现一定的变化规律，可以用数学模型去近似地描述。人们常常运用时间序列ＡＲＩＭＡ模型来进行实证研究，以达到最小方差意义下的最优预测效
果［６］
。ＡＲＩＭＡ模型，英文名称为ａｕｔｏｒｅｇ
ｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄ ｍｏｖｉｎｇ
ａｖｅｒａｇｅ，全称为求和自回归移动平均模型，简记为ＡＲＭＡ（ｐ，ｄ，ｑ
），模型结构如下：Φ（）Ｂ!ｄｘｔ＝Θ（）Ｂεｔ
Ｅε（）ｔ＝０，ｖａｒε（）１＝σ２
ｓ Ｅεｔ，ε（）ｓ＝０，ｓ≠ｔＥｘｓεｔ＝０， ｓ＜烅烄
烆
１（二）ＡＲＩＭＡ模型的简洁定义
定义一：如果通过ｄ次差分，序列ｙｔ能够变为平稳，
但ｄ－１序列，也就是差分序列并不平稳，那么通常认为序列ｙｔ是ｄ阶单整序列，记为ｙｔ～（
）Ｉ ｄ。特别地，如果序列ｙｔ不需要进行差分，也即其本身是平稳的，则可称为零阶单整，记为ｙｔ
～
Ｉ（）０。定义二：设ｙｔ是ｄ阶单整序列，即ｙｔ～（）Ｉ ｄ，记ｗｔ＝Δｄ
ｙｔ，ｗｔ为平稳序列，即ｗｔ～Ｉ（）０，则可对ｗｔ建立Ａ
ＲＭＡ（ｐ，ｑ）模型为：ｗｔ＝ｃ＋φ１ｗｔ－１＋…＋φ
Ｐｗｔ－Ｐ＋εｔ＋ θ１εｔ－１＋…＋θｑεｔ－ｑ
式中，φ１，φ２，…，φｐ是自回归系数；ｐ是自回归的具体阶次；θ１，θ２，…，θｑ是序列的移动平均系数，ｑ是移动平均的具体阶次；ε｛
｝ｔ是一个标准的白噪声序列。
定义三：经过ｄ次差分变换后的ＡＲＭＡ（ｐ，ｑ）模型称为ＡＲＭＡ（ｐ，ｄ，ｑ
）模型。三、ＡＲＩＭＡ模型的建模步骤（一）数据来源及说明
本文研究的样本区间设定为１９５２～２０１０年，数据分别来源于《新中国６０年统计资料汇编》和中经网统计数据库。为更好地观测数据，
本文分别绘制出该历史期间中国ＧＤＰ的历史统计数据（图１）、一阶差分序列（图２）、二阶差分序列（图３）和取自然对数后的一阶差分序列（图４
）。图１ ＧＤＰ历史统计数据
图２ 一阶差分序列
图３ 二阶差分序列７
９
财经理论与实践（双月刊）
年第期
图４ 取自然对数一阶差分序列
（二）ＡＲＩＭＡ模型中ｄ的确定
ＡＲＩＭＡ模型中ｄ是序列ｙｔ通过差分变换后成为平稳的单整序列的阶数，因此采用单位根检验方法来检验序列的平稳性以及求得ｄ值，本文选用ＡＤＦ（ａｕｇｍｅｎｔｅｄ Ｄｉｃｋｅｙ－Ｆｕｌｌｅｒ Ｔｅｓｔ）检验［７］。从１９５２～２０１０年中国ＧＤＰ的时间序列趋势图（图１），清楚地观察到ＧＤＰ的上升趋势非常明显，因此在单位根检验时应该把常数项和时间趋势项都考虑进去，检验结果（见表１）显示，ＧＤＰ序列以较大的Ｐ值，即１００％的概率接受原假设，则接受存在单位根的结论。将ＧＤＰ序列做１阶差分，然后对ΔＧＤＰ进行ＡＤＦ检验，此时选择常有常数项和时间趋势项，检验结果显示，ＧＤＰ序列以较大的Ｐ值，即９９．２４％的概率接受原假设，就存在单位根的结论。再对ΔＧＤＰ做１阶差分，对Δ２ ＧＤＰ做ＡＤＦ检验，此时选择不含常数项和时间趋势项，检验结果显示，二阶差分序列Δ２ ＧＤＰ在１％的显著性水平下拒绝原假设，接受不存在单位根的结论，因此可以确定ＧＤＰ序列是２阶单整序列，即ｄ值取为２，ＧＤＰ～Ｉ（）
２。
表１ 检验中国ＧＤＰ序列的平稳性
ＡＤＦ统计量
显著性水平（％）检验临界值ｔ统计量
概率值
（Ｐ值）
ＧＤＰ１－４．２９６ ７
５－３．５６８ ４
１０－３．２１８ ４
８．５６０ ０ １．０００ ０
ΔＧＤＰ１－４．３０９ ８
５－３．５７４ ２
１０－３．２２１ ７
０．０９６ ８ ０．９９２４
Δ２ ＧＤＰ１－２．６５０ １
５－１．９５３ ４
１０－１．６０９ ８
４．７６０ １ ０．０００ ０
（三）ＡＲＩＭＡ模型中ｐ和ｑ的确定
计算Δ２ ＧＤＰ序列的自相关系数（ＡＣ）和偏相关
系数（ＰＣＡ）并进行比较，见表２。可知Δ２ ＧＤＰ序列
的自相关系数ＡＣ在４阶截尾，偏相关系数ＰＣＡ在
２阶截尾，则取模型的阶数ｐ＝４和ｑ＝４，建立ＡＲＩ－
ＭＡ（４，２，４）模型。
表２ Δ２ ＧＤＰ序列的自相关系数和偏相关系数
ＡＣ ＰＡＣ Ｑ－Ｓｔａｔ Ｐｒｏｂ
１－０．０６８ ０－０．０６８ ０ ０．１５０ ３ ０．６９８ ０
２ ０．２６０ ０ ０．２５６ ０ ２．３９２ ６ ０．３０２ ０
３ ０．００２ ０ ０．０３５ ０ ２．３９２ ７ ０．４９５ ０
４ ０．３３７ ０ ０．２９３ ０ ６．４７７ ８ ０．１６６ ０
５－０．１８５ ０－０．１８３ ０ ７．７５６ ７ ０．１７０ ０
６ ０．００１ ０－０．１８６ ０ ７．７５６ ７ ０．２５６ ０
７－０．２６１ ０－０．２７２ ０ １０．５４６ ０ ０．１６０ ０
８ ０．２７６ ０ ０．２７４ ０ １３．７９８ ０ ０．０８７ ０
９－０．２１７ ０ ０．０６０ ０ １５．９２０ ０ ０．０６９ ０
１０－０．０１４ ０－０．０６８ ０ １５．９３０ ０ ０．１０２ ０
（四）中国ＡＲＩＭＡ（４，２，４）模型的预测
利用ＡＲＩＭＡ（４，２，４）模型对中国ＧＤＰ数据进
行样本内预测，具体的预测结果及相对误差见表３。
四、结 论
根据本文所构建ＡＲＩＭＡ模型预测，首先进行
样本期一期的单点精准预测，然后又将样本期间扩
大到２０１５年，进行样本外多期动态预测，得到２０１１
～２０１５年五个年度的中国ＧＤＰ预测结果为
４８５７８９．８１、５４１１８６．９５、６０２９０１．３１、６７１６５３．２７、
７４８２４５．３８亿元，表明未来五年中国的经济增长仍
将处于一个水平很高的上升通道。
与传统的趋势模型相比，ＡＲＩＭＡ时间序列模
型属于外推预测法，具有自己独特的优点。由于传
统的预测方法，基本上只是对某种典型趋势特征现
象比较适用，但在现实中，许多经济现象所表现出来
的时间序列资料却并不具有典型趋势特征，更多情
况下可能是一种完全随机性质的，这样传统方法建
模就不能吻合随机性质的要求，从而对预测效果带
来了很大的影响［８］。先根据一个时间序列进行模型
识别，然后进行不断建模试验，并加以相关的诊断技
术，根据情况再做出必要调整，识别、估计、诊断等环
节反复进行，直到找到最优模型为止，因此对于各类
的时间序列来讲，ＡＲＩＭＡ模型都比较适合，是时间
序列预测法中迄今最为通用的模型［９］。针对非平稳
序列，通过差分、取自然对数等方法，ＡＲＩＭＡ可将
其转变为零均值的平稳随机序列，以便有效进行预
８９
年第期（总第期）何新易：基于时间序列模型的中国ＧＤＰ增长预测分析表３ 模型拟合结果比较
年份ＧＤＰ
ＡＲＩＭＡ模型
预测值相对误差
１９７８ ３ ６４５．２０ ３ ５３９．３７－０．０３１９７９ ４ ０６２．６０ ４ ０９７．６６ ０．０１１９８０ ４ ５４５．６０ ４ ５２６．９８ ０．００１９８１ ４ ８９１．６０ ５ ０７６．６２ ０．０４１９８２ ５ ３２３．４０ ５ ３４２．１０ ０．００１９８３ ５ ９６２．７０ ５ ８５１．３０－０．０２１９８４ ７ ２０８．１０ ６ ６６３．３８－０．０８１９８５ ９ ０１６．００ ８ ４１５．８２－０．０７１９８６ １０ ２７５．２０ １０ ７３４．９１ ０．０４１９８７ １２ ０５８．６０ １１ ５９７．４４－０．０４１９８８ １５ ０４２．８０ １３ ８４１．４１－０．０８１９８９ １６ ９９２．３０ １７ ８８３．２５ ０．０５１９９０ １８ ６６７．８０ １９ ０８１．４４ ０．０２１９９１ ２１ ７８１．５０ ２０ ６３０．６４－０．０５１９９２ ２６ ９２３．５０ ２４ ９１８．８７－０．０７１９９３ ３５ ３３３．９０ ３１ ８３８．９５－０．１０１９９４ ４８ １９７．９０ ４３ ２４７．４９－０．１０１９９５ ６０ ７９３．７０ ６０ ３１６．０３－０．０１１９９６ ７１ １７６．６０ ７２ ７３３．１３ ０．０２１９９７ ７８ ９７３．００ ８１ ５８８．７３ ０．０３１９９８ ８４ ４０２．３０ ８７ ７７４．４６ ０．０４１９９９ ８９ ６７７．１０ ９１ ８１２．４９ ０．０２２０００ ９９ ２１４．６０ ９７ ２２２．２０－０．０２２００１ １０９ ６５５．２０ １１０ ０９０．２１ ０．００２００２ １２０ ３３２．７０ １２１ ６０４．４３ ０．０１２００３ １３５ ８２２．８０ １３２ ８９９．６５－０．０２２００４ １５９ ８７８．３０ １５２ ４５４．２８－０．０５２００５ １８３ ２１７．４０ １８３ ８３３．８０ ０．００２００６ ２１１ ９２３．５０ ２０７ ４５１．９３－０．０２２００７ ２５７ ３０５．６０ ２４１ ２３８．９６－０．０６２００８ ３１４ ０４５．００ ３０１ １７０．０４－０．０４２００９ ３３５ ３５３．００ ３６８ ６８８．５２ ０．１０２０１０ ３９９ ０１０．００ ３６４ ６１９．４９－０．０９２０１１ ４８５ ７８９．８１
２０１２ ５４１ １８６．９５
２０１３ ６０２ ９０１．３１
２０１４ ６７１ ６５３．２７
２０１５ ７４８ ２４５．３８测分析。通过ＡＲ和ＭＡ项的添加，从而使残差进入模型，从而大大提高了模型的精度。但是由于假定时间序列，无论是过去的模式，还是未来的发展模式，ＡＲＩＭＡ建模法都视为一致，因此它的预测往往只在短期内比较有效。
本文通过平稳线检验、阶数识别、参数估计、模型诊断等过程，对中国１９５２～２０１０年的国内生产总值（ＧＤＰ）构建了ＡＲＩＭＡ模型，从拟合的效果来看，当然还有待于做进一步的完善，但本文所做出的精准预测，无疑将为相关部门的工作、规划提供科学依据。
参考文献：
［１］熊志斌．基于ＡＲＩＭＡ与神经网络集成的ＧＤＰ时间序列预测研究［Ｊ］．数理统计与管理，２０１１，（２）：３０６－３１４．
［２］桂文林，韩兆洲．基于状态空间模型的中国季度ＧＤＰ季节调整（１９９６～２００９年）［Ｊ］．数量经济技术经济研究，２０１１，（７）：７７－８９．
［３］高帆．上海ＧＤＰ增长率的因素分解及其政策含义［Ｊ］．上海经济研究，２０１０，（４）：９９－１０９．
［４］腾格尔，何跃．基于ＧＭＤＨ组合的中国ＧＤＰ预测模型研究［Ｊ］．统计与决策，２０１０，（７）：１７－５９．
［５］喻胜华，邓娟．基于主成分分析和贝叶斯正则化ＢＰ神经网络的ＧＤＰ预测［Ｊ］．湖南大学学报（社科版），２０１１，（６）：４２－４５．［６］肖文，周明海．劳动收入份额变动的结构因素———收入法ＧＤＰ和资金流量表的比较分析［Ｊ］．当代经济科学，２０１０，（３）：６９－７６．
［７］王维国，王霞，颜敏．时间序列多个突变点的贝叶斯推断———对我国ＧＤＰ序列的实证分析［Ｊ］．数学的实践与认识，２０１０，（９）：４５－５３．
［８］华鹏，赵学民．ＡＲＩＭＡ模型在广东省ＧＤＰ预测中的应用［Ｊ］．统计与决策，２０１０，（１２）：１６６－１６７．
［９］倪晓宁，包明华．ＤＥＡ方法在潜在ＧＤＰ估算中的应用［Ｊ］．统计与决策，２０１１，（２）：２４－２６．
（责任编辑：铁青）
Ｔｈｅ Ｃｈｉｎａ＇ｓ ＧＤＰ Ｇｒｏｗｔｈ Ｆｏｒｅｃａｓｔ ｂａｓｅｄ ｏｎ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｍｏｄｅｌ
Ｈｅ Ｘｉｎ－ｙｉ
（Ｂｕｓｉｎｅｓｓ Ｓｃｈｏｏｌ，Ｎａｎｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｔｏｎｇ，Ｊｉａｎｇｓｕ ２２６０１９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＧＤＰ ｉｓ ｔｈｅ ｍａｒｋｅｔ ｖａｌｕｅ ｏｆ ａｌｌ ｏｆｆｉｃｉａｌｌｙ ｒｅｃｏｇｎｉｚｅｄ ｆｉｎａｌ ｇｏｏｄｓ ａｎｄ ｓｅｒｖｉｃｅｓ ｐｒｏ－ｄｕｃｅｄ ｗｉｔｈｉｎ ａ ｃｏｕｎｔｒｙ ｉｎ ａ ｇｉｖｅｎ ｐｅｒｉｏｄ．Ｔｈｅ ａｃｃｕｒａｔｅ ＧＤＰ ｇｒｏｗｔｈ ｆｏｒｅｃａｓｔ ｃａｎ ｇｉｖｅ ｔｈｅ ｃｏｒｒｅｃｔｇｕｉｌｄ ｔｏ ｔｈｅ ｍａｃｒｏｅｃｏｎｏｍｉｃ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｃａｎ ｈｅｌｐ ｔｈｅ ｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ｏｆ ｔｈｅ ａｒｔｈｏｕｒｉｔｙ．Ｕ－ｓｉｎｇ ｔｈｅ ｄａｔａ ｏｆ ＧＤＰ ｆｒｏｍ １９５２ｔｏ ２０１０，ａ ＡＲＩＭＡ ｆｏｒｅｃａｓｔ ｍｏｄｅｌ ｈａｓ ｂｅｅｎ ｂｕｉｌｔ．Ｆｒｏｍ ｔｈｉｓ ｎｅｗｍｏｄｅｌ，ｉｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｅｃｏｎｏｍｉｃ ｇｒｏｗｔｈ ｉｎ ｔｈｅ ｎｅｘｔ ｆｉｖｅ ｙｅａｒｓ ｉｎ Ｃｈｉｎａ ｗｉｌｌ ｓｔｉｌｌ ｋｅｅｐ ｉｎｃｒｅａｓｉｎｇｒａｐｉｄｌｙ．
Ｋｅｙ ｗｏｒｄｓ：Ｔｉｍｅ ｓｅｒｉｅｓ ｍｏｄｅｌ；ＧＤＰ；Ｆｏｒｅｃａｓｔ
９９
数学模型课程设计-中国人口增长预测
中国人口增长预测 摘要: 中国是一个人口大国，人口问题始终是制约我国发展的关键因素之一。根据已有数据，运用数学建模的方法，对中国人口做出分析和预测是一个重要问题。对此，我们建立了短期与长期两种预测人口增长的模型，并对附录中城镇乡的人口演变趋势做拟合与分析。 本文的建模过程选用了1996年到2005年的人口数据。短期人口预测用曲线的直接拟合，分析出人口的增长趋势。人口的出生率与死亡率均符合指数函数bt =+，利 y ae c 用logistic模型求出人口最大上限 x，据此拟合人口增长的指数函数x（t），预测 m 2006-2011年的人口数量。长期预测中，建立灰色动态模型GM（1,1）预测中国人口长期增长趋势。在解系数的过程中运用了最小二乘法，得出预测人口数据的方程)0(?x，并预测2011年到2015年的人口数量。在对中国总人口进行短期和中长期的总体预测后，我们从附件中提取出城、镇、乡三地人口、男女出生性别比、老龄人口比率等相关数据，对中国未来城、镇、乡三地人口比例、男女出生性别比、妇女生育率、老龄人口比率等影响人口发展的主要因素做趋势预测，从而达到了对中国人口全方位的预测。 关键词: 曲线拟合、灰色动态模型、最小二乘法、自然增长率
一、问题的重述 中国是一个人口大国，人口问题始终是制约我国发展的关键因素之一。根据已有数据，运用数学建模的方法，对中国人口做出分析和预测是一个重要问题。 近年来中国的人口发展出现了一些新的特点，例如，老龄化进程加速、出生人口性别比持续升高，以及乡村人口城镇化等因素，这些都影响着中国人口的增长。2007年初发布的《国家人口发展战略研究报告》还做出了进一步的分析。 关于中国人口问题已有多方面的研究，并积累了大量数据资料。附录2就是从《中国人口统计年鉴》上收集到的部分数据。 试从中国的实际情况和人口增长的上述特点出发，建立中国人口增长的数学模型，并由此对中国人口增长的中短期和长期趋势做出预测。 二、符号说明 nianfen 年份 chusheng 出生率 bata0 估计的参数值 nlinfit 非线性拟合函数 1 y出生率函数 2 y死亡率函数 m x人口上限 t 时间 x（t）人口增长函数 X(0)中国各年人口总数 X(1) X(0)的一次累加序列 Z(1) X(1)的紧邻均值生成数列 -a 发展系数 b 灰色作用量 )0(?x人口预测值 c 均方差 k ?相对误差 三、模型的假设 1.假设人口迁入迁出对问题产生的影响可以忽略； 2.忽略社会环境、自然、经济、文化水平的对人口的影响； 3.长期预测中，不考虑出生率、死亡率等因素的影响。 四、模型的建立与求解 4.1中国人口短期预测的模型建立与求解 根据查找资料得到，人口死亡率，出生率与人口增长符合指数增长的模型bt y ae c =+。模型选取了1996年到2005年的全国人口进行nlinfit拟合。（代码见附录一） 处理人口增长函数时，考虑到人口数量受资源等因素的约束，中国人口将有一个上限。定义函数时，用“人口上限与指数函数相减”模式。死亡率、出生率等客观因素很大程度上影响着中国人口的变化趋势。而且随着环境等的因素，中国的总人口最终会趋 向一个固定值，即最大容纳量x m，由logistic模型求出。假设x m 在短时间内不会改变， 则可利用逐年的历史数据来计算出人口增长率的变化情况。 设x(t)为第t年中国总人口数，r为人口的增长率，x m 为中国人口的最大容纳量。
应用时间序列分析习题答案解析整理
第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图
2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 ，序列 LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。显著性水平=0.05 不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下
（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 解：1()0.7()()t t t E x E x E ε-=?+ 0)()7.01(=-t x E 0)(=t x E t t x ε=-）B 7.01( t t t B B B x εε)7.07.01()7.01(221Λ+++=-=- 229608.149 .011 )(εεσσ=-= t x Var 49.00212==ρφρ 022=φ 3.2 解：对于AR （2）模型： ?? ?=+=+==+=+=-3.05 .02110211212112011φρφρφρφρρφφρφρφρ 解得：???==15/115 /72 1φφ 3.3 解：根据该AR(2)模型的形式，易得：0)(=t x E 原模型可变为：t t t t x x x ε+-=--2115.08.0 2212122 ) 1)(1)(1(1)(σφφφφφφ-+--+-= t x Var 2) 15.08.01)(15.08.01)(15.01() 15.01(σ+++--+= =1.98232σ ?????=+==+==-=2209.04066.06957.0)1/(1221302112211ρφρφρρφρφρφφρ ?? ? ??=-====015.06957.033222111φφφρφ
多元时间序列建模分析
应用时间序列分析实验报告
单位根检验输出结果如下：序列x的单位根检验结果：
1967 58.8 53.4 1968 57.6 50.9 1969 59.8 47.2 1970 56.8 56.1 1971 68.5 52.4 1972 82.9 64.0 1973 116.9 103.6 1974 139.4 152.8 1975 143.0 147.4 1976 134.8 129.3 1977 139.7 132.8 1978 167.6 187.4 1979 211.7 242.9 1980 271.2 298.8 1981 367.6 367.7 1982 413.8 357.5 1983 438.3 421.8 1984 580.5 620.5 1985 808.9 1257.8 1986 1082.1 1498.3 1987 1470.0 1614.2 1988 1766.7 2055.1 1989 1956.0 2199.9 1990 2985.8 2574.3 1991 3827.1 3398.7 1992 4676.3 4443.3 1993 5284.8 5986.2 1994 10421.8 9960.1 1995 12451.8 11048.1 1996 12576.4 11557.4 1997 15160.7 11806.5 1998 15223.6 11626.1 1999 16159.8 13736.5 2000 20634.4 18638.8 2001 22024.4 20159.2 2002 26947.9 24430.3 2003 36287.9 34195.6 2004 49103.3 46435.8 2005 62648.1 54273.7 2006 77594.6 63376.9 2007 93455.6 73284.6 2008 100394.9 79526.5 run; proc gplot; plot x*t=1 y*t=2/overlay; symbol1c=black i=join v=none; symbol2c=red i=join v=none w=2l=2; run; proc arima data=example6_4; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run; proc arima; identify var=y crrosscorr=x; estimate methed=ml input=x plot; forecast lead=0id=t out=out; proc aima data=out; identify varresidual stationarity=(adf=2); run;
中国人口增长趋势预测
中国人口增长趋势预测 摘要 人口总数的预测对未来资源分配，划分有着重要的意义，本文根据人口预测模型结合所给数据进行人口预测，并进行模型改进结合最小二乘法拟合出较理想的人口变化趋势。 第一问中，采用Logistic模型描述了人口的增长规律，通过简要的假设设置相应的预测系数 第二问中，根据表中所给的数据，运用Matlab以及Excel得出人口随时间变化的曲线 第三问中，通过运用非线性最小二乘法拟合，Matlab编程得到相关的系数x =r 万人，并判断模型的可用性。 .0 248205= 0253 m 第四问中，根据所得的模型，带入相关数值得到2030年人口数量将达到144210万人 第五问中，通过改进求解拟合参数的方法，将非线性最小二乘法改为线性最小二乘法估计模型参数，通过分析可知2030年可能会达到我国人口数量的峰值近似为145168万人，与国家人口预测结果基本相符合。 关键词：Logistic模型；最小二乘估计；Matlab；线性拟合
一. 问题提出 中国是一个人口大国，人口问题始终是制约我国发展的关键因素之一。关于中国人口问题已有多方面的研究，并积累了大量数据资料，对于表中所给出的数据，研究人口增长的规律。 问题一，作出适当的简化假设，在此基础上建立中国大陆人口群体增长的数学模型。 问题二，对表中所给出的数据，画出1949~2017年中国大陆人口总数随时间变化的曲线； 问题三，对第1问模型中的参数进行估计 问题四，预测2030年中国大陆的人口总数。 问题五，模型的评价与改进。 二．问题分析 由于人口的增长受到自然资源，环境条件等因素的影响，因此第一问的模型选取应该选用能够反映阻滞作用对人口增长率的影响，使增长率r能够随着人口数量的增长而下降，基于此选择了典型的人口增长模型logistic函数，并对相应的参数进行设置。 第二问中由Matlab能够得到表中数据的变化趋势。 第三问中对于大数据处理要得到模型中的相应参数需要用最小二乘法进行系数估计，通过分析曲线的特点评价模型的可用性。 在第四问，根据模型带入相应的时间预测对应的人口总数。 第五问中，由分析可知，线性最小二乘法估计参数要比非线性最小二乘法估计参数的精度要更高，因此通过观察人口增长率的曲线可以近似拟合成一次函数的现象，将估计参数的方法改为线性最小二乘法估计参数，并结合数据实际曲线，确定相应的模型参数。 三．模型的基本假设 （1）生育模式相对不变 （2）所用数据真实可靠 （3）不考虑生存空间等自然资源的制约,不考虑意外灾难等因素对人口变化的影 （4）较短的时期内的死亡率是稳定的
人口增长模型的确定
题目：人口增长模型的确定 摘要 人口问题已成为当前世界上最普遍关注的问题之一，人口增长规律的发现以及人口增长的预测问题对一个国家制定长远的发展规划有着非常重要的意义。本文分别使用了马尔萨斯人口指数增长模型和阻滞增长模型，以美国1790-1980年间每隔10年的人口数量为依据，对接下来的每隔十年进行了预测五次人口数量。通过对比我们可以发现阻滞增长模型在预测准确度方面要明显优于原始的马尔萨斯人口指数增长模型。 关键词：人口增长；马尔萨斯人口指数增长模型；阻滞增长模型；人口预测
一、问题重述 1.1 问题背景 1790-1980年间美国每隔10年的人口记录如下表所示。 表1 人口记录表 1.2 问题提出 我们需要解决以下问题： 1.试用以上数据建立马尔萨斯(Malthus)人口指数增长模型，并对接下来的每隔十年预测五次人口数量，并查阅实际数据进行比对分析。 2.如果数据不相符，再对以上模型进行改进，寻找更为合适的模型进行预测，并对两次预测结果进行对比分析。 3.查阅资料找出中国人口与表1同时期的人口数量，用以上建立的两个模型进行人口预测与分析。 二、问题分析 首先，我们运用Matlab 软件绘制出1790到1980年的美国人口数据图，如图1。 17801800182018401860188019001920194019601980 050 100 150 200 250
图1 1790到1980年的美国人口数据图 从图表中我们可以清晰地看到人口数在1790—1980年是呈增长趋势的，而且我们很容易发现上述图表和我们学过指数函数的图表有很大的相似性，所以我们很自然想到建立指数模型。因此我们首先建立马尔萨斯模型，马尔萨斯生物总数增长定律指出：在孤立的生物群体中，生物总数N的变化率与生物总数成正比。 三、问题假设 为简化问题，我们做出如下假设： （1）在模型中预期的时间内，人口不会因发生大的自然灾害，突发事件或战争而受到大的影响； （2）所给出的数据具有代表性，能够反映普遍情况； （3）一段时间内我国人口死亡率不发生大的波动； （4）在查阅的资料与文献中，所得数据可信； （5）假设人口净增长率为常数。 四、变量说明 在此，对本文所使用的符号进行定义。 表2 变量说明 符号符号说明 N(0)起始年人口容纳量 N(t)t年后人口容纳量 t年份 r增长率 五、模型建立 5.1 问题一：马尔萨斯(Malthus)人口指数增长模型 设：t表示年份（起始年份t=0），r表示人口增长率，N(t)表示t年后的人口数量。 当考察一个国家或一个很大地区的人口时，N(t)是很大的整数。为了利用微积分这一数学工具，将N(t)视为连续、可微函数。记初始时刻(t=0)的人口为N(0)，人口增长率为r，r是单位时间内N(t)的增量与N(t)的比例系数。根据r是常数的基本假设，于是N(t)满足如下的微分方程： dN(t)/dt=r*N(t) (5-1) 由这个线性常系数微分方程容易解出: N(t)=N(0)e rt(5-2) 表明人口将按指数规律无限增长(r>0)。将以t年为单位，上式表明，人口以e r为公
数学建模logistic人口增长模型
数学建模l o g i s t i c人口 增长模型 集团档案编码：[YTTR-YTPT28-YTNTL98-UYTYNN08]
Logistic 人口发展模型 一、题目描述 建立Logistic 人口阻滞增长模型 ，利用表1中的数据分别根据从1954年、1963年、1980年到2005年三组总人口数据建立模型，进行预测我国未来50年的人口情况.并把预测结果与《国家人口发展战略研究报告》中提供的预测值进行分析比较。分析那个时间段数据预测的效果好并结合中国实情分析原因。 二、建立模型 阻滞增长模型（Logistic 模型）阻滞增长模型的原理：阻滞增长模型是考虑到自然资源、环境条件等因素对人口增长的阻滞作用，对指数增长模型的基本假设进行修改后得到的。阻滞作用体现在对人口增长率r 的影响上，使得r 随着人口数量x 的增加而下降。若将r 表示为x 的函数)(x r 。则它应是减函数。于是有： 0)0(,)(x x x x r dt dx == （1） 对)(x r 的一个最简单的假定是，设)(x r 为x 的线性函数，即 ) 0,0()(>>-=s r sx r x r （2）
设自然资源和环境条件所能容纳的最大人口数量m x ，当m x x =时人口不再 增长，即增长率0)(=m x r ，代入（2）式得 m x r s = ，于是（2）式为 )1()(m x x r x r -= （3） 将（3）代入方程（1）得： ?? ? ??=-=0 )0()1(x x x x rx dt dx m （4） 解得： rt m m e x x x t x --+= )1( 1)(0 （5） 三、模型求解 用Matlab 求解，程序如下： t=1954:1:2005; x=[60.2,61.5,62.8,64.6,66,67.2,66.2,65.9,67.3,69.1,70.4,72.5,74.5,76.3,78.5,80.7,83,85.2,87.1,89.2,90.9,92.4,93.7,95,96.259,97.5,98.705,100.1,101.654,103.008,104.357,105.851,107.5,109.3,111.026,112.704,114.333,115.823,117.171,118.517,119.85,121.121,122.389,123.626,124.761,125.786,126.743,127.627,128.453,129.227,129.988,130.756]; x1=[60.2,61.5,62.8,64.6,66,67.2,66.2,65.9,67.3,69.1,70.4,72.5,74.5,76.3,78.5,80.7,83,85.2,87.1,89.2,90.9,92.4,93.7,95,96.259,97.5,98.705,100.1,101.654,103.008,104.357,105.851,107.5,109.3,111.026,112.704,114.333,115.823,117.171,118.517,119.85,121.121,122.389,123.626,124.761,125.786,126.743,127.627,128.453,129.227,129.988]; x2=[61.5,62.8,64.6,66,67.2,66.2,65.9,67.3,69.1,70.4,72.5,74.5,76.3,78.5,80.7,83,85.2,87.1,89.2,90.9,92.4,93.7,95,96.259,97.5,98.705,100.1,101.654,103.008,104.357,105.851,107.5,109.3,111.026,112.704,114.333,115.823,117.171,118.517,119.85,121.121,122.389,123.626,124.761,125.786,126.743,127.627,128.453,129.227,129.988,130.756]; dx=(x2-x1)./x2; a=polyfit(x2,dx,1); r=a(2),xm=-r/a(1)%求出xm 和r x0=61.5; f=inline('xm./(1+(xm/x0-1)*exp(-r*(t-1954)))','t','xm','r','x0');%定义函数 plot(t,f(t,xm,r,x0),'-r',t,x,'+b'); title('1954-2005年实际人口与理论值的比较')
典型时间序列模型分析
实验1典型时间序列模型分析 1、实验目的 熟悉三种典型的时间序列模型： AR 模型，MA 模型与ARMA 模型，学会运用Matlab 工具对 对上述三种模型进行统计特性分析，通过对2阶模型的仿真分析，探讨几种模型的适用范围， 并且通过实验分析理论分析与实验结果之间的差异。 2、实验原理 AR 模型分析： 设有AR(2)模型, X( n)=-0.3X( n-1)-0.5X( n-2)+W( n) 其中：W(n)是零均值正态白噪声，方差为 4。 (1 )用MATLAB 模拟产生X(n)的500观测点的样本函数，并绘出波形 (2) 用产生的500个观测点估计X(n)的均值和方差 (3) 画出理论的功率谱 (4) 估计X(n)的相关函数和功率谱 【分析】给定二阶的 AR 过程，可以用递推公式得出最终的输出序列。或者按照一个白噪声 通过线性系统的方式得到，这个系统的传递函数为： 这是一个全极点的滤波器，具有无限长的冲激响应。 对于功率谱，可以这样得到， 可以看出， FX w 完全由两个极点位置决定。 对于AR 模型的自相关函数，有下面的公式: \(0) 打⑴ 匚⑴… ^(0) ■ 1' G 2 W 0 JAP) 人9-1)… 凉0) _ 这称为Yule-Walker 方程，当相关长度大于 p 时，由递推式求出: r (r) + -1) + -■ + (7r - JJ )= 0 这样，就可以求出理论的 AR 模型的自相关序列。 H(z) 二 1 1 0.3z ， P x w +W 1 1 a 才 a 2z^
1. 产生样本函数，并画出波形 2. 题目中的AR过程相当于一个零均值正态白噪声通过线性系统后的输出，可以按照上面的方法进行描述。 clear all; b=[1]; a=[1 0.3 0.5]; % 由描述的差分方程，得到系统传递函数 h=impz(b,a,20); % 得到系统的单位冲激函数，在20点处已经可以认为值是0 randn('state',0); w=normrnd(0,2,1,500); % 产生题设的白噪声随机序列，标准差为 2 x=filter(b,a,w); % 通过线形系统，得到输出就是题目中要求的2阶AR过程 plot(x,'r'); ylabel('x(n)'); title(' 邹先雄——产生的AR随机序列'); grid on; 得到的输出序列波形为： 邹先雄——产生的AR随机序列 2. 估计均值和方差 可以首先计算出理论输出的均值和方差，得到m x =0 ，对于方差可以先求出理论自相 关输出，然后取零点的值。
中国人口预测模型(精)
中国人口预测模型 天津师范大学数学科学学院 1003班 刘瑶（10505135）周丽（10505110） 2013年6月17日星期一
中 国 人 口 预 测 模 型 摘 要 为了加快中国的经济建设进程，全面落实科学的发展观，按照构建社会主义和谐社会的要求，实现人口与经济社会资源环境的协调和可持续发展。我们确定人口发展战略，必须既着眼于人口本身的问题，又处理好人口与经济社会资源环境之间的相互关系，构建社会主义和谐社会，统筹解决人口数量、素质、结构、分布等问题。 本文是以《中国人口统计年鉴》公布的部分人口数据为基准（其他部分数据通过网站查询得到），通过合理的假设和数学模型得到了对于中国人口增长预测的统计模型。对Leslie 人口模型改进，构建了反映生育率和死亡率变化率负指数函数。基于leslie 的改 进模型： (t)X B B B +(t)X A A A =t)▽n +X(t 22) -(n 3 2112) -(n 3 21 此模型考虑到了生育率的变化，并是针对总人口分布处理的，克服了leslie 模型的不足，很适合做长期预测。得到结论：人口数量先增大后减小，峰值出现在2040年，届时人口数量将达到最大，为15.869亿。 关键词: 人口预测, Leslie 人口模型改进 , 长期预测 一 问题的背景 中国是世界上人口最多的发展中国家，人口多，底子薄，耕地少，人均占有资源相对不足，是我国的基本国情，人口问题一直是制约中国经济发展的首要因素。新中国成立50多年来，我国人口发展经历了前30年高速增长和后20年低速增长两大阶段：从建国初期到上世纪70年代初，中国人口再生产由旧中国的高出生、高死亡率进入高出生、低死亡率的人口高增长时期，1950-1975年人口出生率始终保持在30‰以上, 最高达到37‰（附录1）。70年代以后，人口过快增长的势头得到迅速扭转，人口出生率、自然增长率、妇女总和生育率有了明显下降，人口出生率由70年代初的33‰大幅度下降到80年代的21‰, 妇女总和生育率也由6下降到2.3左右。90年代以来，随着我国经济高速发展，人民文化和健康水平逐步提高，计划生育工作的不断深入，在20-29岁生育旺盛人数年均超过1亿的情况下, 人口出生率依然呈现大幅下降的趋势，到2000年底人口出生率从1990年的21.06‰下降到14.03‰，自然增长率由1990年的14.39‰下降到7.58‰, 妇女总和生育率也下降到2以下。进入90年代末期, 我国人口再生产实现了低出生、低死亡、低增长的历史性转变，我国用20多年时间完成了国外近200年的历程。到2000年底全国总人口为12.6743亿, 成功实现了“九五”计划将人口控制在13亿的奋斗目标。 中国政府自1980年在全国城乡实行计划生育基本国策以来成果卓著，据国家计生委“计划生育投入与效益研究”课题组的研究成果，20年共少生2.5亿个孩子。若从70年代算起，至今至少少生3亿人口，这有效地控制了人口的快速增长，为中国现代化建设、全面实现小康打下坚实的基础, 这同时也是对世界人口的增长和控制做出了杰出贡献。但是由于中国人口基数大，人口增长问题依然十分严峻，1990-1999年每年平均净增人口约1300万，这仍然对我国社会和经济产生巨大的压力。在我国现代化进程中，必须实现人口与经济、社会、
时间序列分析——最经典的
【时间简“识”】 说明：本文摘自于经管之家(原人大经济论坛) 作者：胖胖小龟宝。原版请到经管之家(原人大经济论坛) 查看。 1.带你看看时间序列的简史 现在前面的话—— 时间序列作为一门统计学，经济学相结合的学科，在我们论坛，特别是五区计量经济学中是热门讨论话题。本月楼主推出新的系列专题——时间简“识”，旨在对时间序列方面进行知识扫盲（扫盲，仅仅扫盲而已……），同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。 在统计学的必修课里，时间序列估计是遭吐槽的重点科目了，其理论性强，虽然应用领域十分广泛，但往往在实际操作中会遇到很多“令人发指”的问题。所以本帖就从基础开始，为大家絮叨絮叨那些关于“时间”的故事！ Long long ago，有多long估计大概7000年前吧，古埃及人把尼罗河涨落的情况逐天记录下来，这一记录也就被我们称作所谓的时间序列。记录这个河流涨落有什么意义当时的人们并不是随手一记，而是对这个时间序列进行了长期的观察。结果，他们发现尼罗河的涨落非常有规律。掌握了尼罗河泛滥的规律，这帮助了古埃及对农耕和居所有了规划，使农业迅速发展，从而创建了埃及灿烂的史前文明。
好~~从上面那个故事我们看到了 1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。 2、时间序列分析的定义——对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 既然有了序列，那怎么拿来分析呢 时间序列分析方法分为描述性时序分析和统计时序分析。 1、描述性时序分析——通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就称为描述性时序分析 描述性时序分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时序分析的第一步。 2、统计时序分析 （1）频域分析方法 原理：假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动 发展过程： 1）早期的频域分析方法借助富里埃分析从频率的角度揭示时间序列的规律 2）后来借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数 3）20世纪60年代，引入最大熵谱估计理论，进入现代谱分析阶段 特点：非常有用的动态数据分析方法，但是由于分析方法复杂，结果抽象，有一定的使用局限性 （2）时域分析方法
人口增长的预测(数学建模论文
关键字：人口数平衡点方程模型运动预测曲线稳定增长人口 一题目： 请在人口增长的简单模型的基础上。 " （1）找到现有的描述人口增长，与控制人口增长的模型； " （2）深入分析现有的数学模型，并通过计算机进行仿真验证； " （3）选择一个你们认为较好的数学模型，并应用该模型对未来20年的某一地区或国家的人口作出有关预测； " （4）就人口增长模型给报刊写一篇文章，对控制人口的策略进行论述。 二摘要： 本次建模是依照已知普查数据，利用Logistic模型，对中国人口的增长进行预测。首先假设人口增长符合Logistic模型，即引入常数，用来表示自然环境条件所能容许的最大人口数。并假设净增长率为，即净增长率随着人口数N（t）增长而减小，当N(t) 时，净增长率趋于零。按照这个假设，。用参数＝3.0,r=0.0386, =1908, =14.5。画出N=N(t)的图像，作为人口增长模型的一种近似。 做微分方程解的定性分析，求出N=N(t)的驻点和拐点，按照函数作图方法列出定性分析表，作出相轨迹的运动图。当初始人口<时，方程的解单调递增到地趋向，这意味着如果使用Logistic模型描述人口增长，则人口发展地总趋势是渐增到最大人口数，因此可作为人口的预测值，也称谓平衡点。 用导数做稳定分析，为判断平衡点是否为稳定，可在平面上绘制f(x)的图象，然后像函数绘图那样，用导数进行定性分析，通过图看出人口数N(t)按时间是递增的，当人口数未达到饱和状态的时候，将逐渐地趋向，这意味着是稳定的平衡点。按该模型，未来人口的数量将随着时间的演化，从初始状态出发达到极限状态，这样就给出了人口的未来预测。 三问题的提出 1． Malthus模型 英国统计学家Malthus（1766－1834）发现人口增长率是一个常数。设t时刻人口为N（t），因为人口总数很大，可近似把N（t）当作连续变量处理。Malthus的假设是：在人口的自然增长过程中，净相对增长率（出生率减去死亡率）是常数，即单位时间内人口的增长量与人口总数成正比。根据这个假设有： , (1.1) 这是一个最简单的可分离变量方程，用符号微分方程求解器desolve容易求得方程的解为：
2019年人口增长的预测.doc
人口增长的预测 关键字：人口数平衡点方程模型运动预测曲线稳定增长人口 一题目： 请在人口增长的简单模型的基础上。 " （1）找到现有的描述人口增长，与控制人口增长的模型； " （2）深入分析现有的数学模型，并通过计算机进行仿真验证； " （3）选择一个你们认为较好的数学模型，并应用该模型对未来20年的某一地区或国家的人口作出有关预测； " （4）就人口增长模型给报刊写一篇文章，对控制人口的策略进行论述。 二摘要： 本次建模是依照已知普查数据，利用Logistic模型，对中国人口的增长进行预测。首先假设人口增长符合Logistic模型，即引入常数，用来表示自然环境条件所能容许的最大人口数。并假设净增长率为，即净增长率随着人口数N（t）增长而减小，当N(t) 时，净增长率趋于零。按照这个假设，。用参数＝3.0,r=0.0386, =1908, =14.5。画出N=N(t)的图像，作为人口增长模型的一种近似。 做微分方程解的定性分析，求出N=N(t)的驻点和拐点，按照函数作图方法列出定性分析表，作出相轨迹的运动图。当初始人口<时，方程的解单调递增到地趋向，这意味着如果使用Logistic模型描述人口增长，则人口发展地总趋势是渐增到最大人口数，因此可作为人口的预测值，也称谓平衡点。 用导数做稳定分析，为判断平衡点是否为稳定，可在平面上绘制f(x)的图象，然后像函数绘图那样，用导数进行定性分析，通过图看出人口数N(t)按时间是递增的，当人口数未达到饱和状态的时候，将逐渐地趋向，这意味着是稳定的平衡点。按该模型，未来人口的数量将随着时间的演化，从初始状态出发达到极限状态，这样就给出了人口的未来预测。 三问题的提出 1．Malthus模型 英国统计学家Malthus（1766－1834）发现人口增长率是一个常数。设t时刻人口为N（t），因为人口总数很大，可近似把N（t）当作连续变量处理。Malthus的假设是：在人口的自然增长过程中，净相对增长率（出生率减去死亡率）是常数，即单位时间内人口的增长量与人口总数成正比。根据这个假设有： , (1.1) 这是一个最简单的可分离变量方程，用符号微分方程求解器desolve容易求得方程的解为：如果人口的增长符合Malthus的模型，则意味着人口数量呈指数级数增长，最终结果是人口爆炸。 2．Logistic模型 1938年，荷兰生物数学家Verhulst引入常数，用来表示自然环境条件所能容许的最大人口数。并假设净增长率为，即净增长率随着人口数N（t）增长而减小，当N(t) 时，净增长率趋于零。按照这个假设（1.1）式可改为： ，（2.1） 上述方程为可分离变量方程，可直接求解。也可用符号微分方程解题器求它的解： N=dsolve（’DN=r*(1-N/Nm)*N’,’N(t0)=N0’） N=Nm/(1+exp(-r*t)*exp(t0*r)*(Nm-N0)/N0) 化简后得： 四利用数学模型对中国人口的预测
数学建模 人口模型 人口预测
关于计划生育政策调整对人口数量、结构及其影响的研究 【摘要】 本文着重于讨论两个问题:1、从目前中国人口现状出发，对于中国未来人口数量进行预测。2、针对深圳市讨论单独二胎政策对未来人口数量、结构及其对教育、劳动力供给与就业、养老等方面的影响。 对于问题1从中国的实际情况和人口增长的特点出发，针对中国未来人口的老龄化、出生人口性别比以及乡村人口城镇化等，提出了 Logistic 、灰色预测、等方法进行建模预测。 首先，本文建立了 Logistic 阻滞增长模型，在最简单的假设下，依照中国人口的历 史数据，运用线形最小二乘法对其进行拟合， 对 2014 至 2040 年的人口数目进行了预测， 得出在 2040 年时，中国人口有 14.32 亿。在此模型中，由于并没有考虑人口的年龄、 出生人数男女比例等因素，只是粗略的进行了预测，所以只对中短期人口做了预测，理 论上很好，实用性不强，有一定的局限性。 然后， 为了减少人口的出生和死亡这些随机事件对预测的影响， 本文建立了 GM(1,1) 灰色预测模型，对 2014 至 2040 年的人口数目进行了预测，同时还用 2002 至 2013 年的 人口数据对模型进行了误差检验，结果表明，此模型的精度较高，适合中长期的预测， 得出 2040 年时，中国人口有 14.22 亿。与阻滞增长模型相同，本模型也没有考虑年龄 一类的因素，只是做出了人口总数的预测，没有进一步深入。 对于问题2针对深圳市人口结构中非户籍人口比重大，流动人口多这一特点，我们采用了灰色GM(1,1)模型，通过matlab 对深圳市自2001至2010年的数据进行拟合，发现其人口变化近似呈线性增长，线性相关系数高达0.99，我们就此认定其为线性相关并给出线性方程。同理，针对其非户籍人口，我们进行matlab 拟合发现，其为非线性相关，并得出相关函数。并做出了拟合函数 0.0419775(1)17255.816531.2t X t e ?+=?-。 对于新政策的实施，我们做出了两个假设。在假设只有出生率改变的情况，人口呈现一次函数线性增加。并拟合出一次函数0.032735617965.017372.5t Y e ?=?-；在假设人口增长率增长20%时，做出了预测如果单独二胎政策实施，到2021年，深圳市常住人口数将会到达1137.98千万人。 关键词:GM(1,1)灰色模型 Logistic 阻滞增长模型 线性拟合 非线性拟合
时间序列分析法原理及步骤
时间序列分析法原理及步骤 ----目标变量随决策变量随时间序列变化系统 一、认识时间序列变动特征 认识时间序列所具有的变动特征, 以便在系统预测时选择采用不同的方法 1》随机性:均匀分布、无规则分布,可能符合某统计分布(用因变量的散点图和直方图及其包含的正态分布检验随机性, 大多服从正态分布 2》平稳性:样本序列的自相关函数在某一固定水平线附近摆动, 即方差和数学期望稳定为常数 识别序列特征可利用函数 ACF :其中是的 k 阶自 协方差,且 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于 0, 前者测度当前序列与先前序列之间简单和常规的相关程度, 后者是在控制其它先前序列的影响后,测度当前序列与某一先前序列之间的相关程度。实际上, 预测模型大都难以满足这些条件, 现实的经济、金融、商业等序列都是非稳定的,但通过数据处理可以变换为平稳的。 二、选择模型形式和参数检验 1》自回归 AR(p模型
模型意义仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用,不受模型变量互相独立的假设条件约束,所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性的比你更造成的困难用 PACF 函数判别 (从 p 阶开始的所有偏自相关系数均为 0 2》移动平均 MA(q模型 识别条件
平稳时间序列的偏相关系数和自相关系数均不截尾,但较快收敛到 0, 则该时间序列可能是 ARMA(p,q模型。实际问题中,多数要用此模型。因此建模解模的主要工作时求解 p,q 和φ、θ的值,检验和的值。 模型阶数 实际应用中 p,q 一般不超过 2. 3》自回归综合移动平均 ARIMA(p,d,q模型 模型含义 模型形式类似 ARMA(p,q模型, 但数据必须经过特殊处理。特别当线性时间序列非平稳时,不能直接利用 ARMA(p,q模型,但可以利用有限阶差分使非平稳时间序列平稳化,实际应用中 d (差分次数一般不超过 2. 模型识别 平稳时间序列的偏相关系数和自相关系数均不截尾,且缓慢衰减收敛,则该时间序列可能是 ARIMA(p,d,q模型。若时间序列存在周期性波动, 则可按时间周期进
中国人口增长预测模型
北方民族大学学士学位论文论文题目:中国人口增长预测模型 院(部)名称:信息与计算科学学院 学生姓名:赖银波 专业:数学与应用数学学号:20040291指导教师姓名:高义讲师 论文提交时间: 2008年5月26日 论文答辩时间: 2008年5月30日 学位授予时间: 北方民族大学教务处制
中国人口增长预测模型 摘要 本课题来源于2007年全国大学生数学建模竞赛甲组A题，本文以中国人口发展为研究对象，首先综合分析题目提供的信息讨论了已有的一些预测方法及其适用的范围和优缺点，然后结合我国人口发展现状和题目提供的数据表确立了以2000年人口普查数据为基础数据、以大学生数学建模提供的2001年到2005年的各分量数据为预测指导方向、以2006年和2007年的公报数据为结果检验参照数据的整体建模思想，并在建模过程中提出了人口年龄推移算法，即通过上一年年末市镇乡男女各年龄人口数量、育龄妇女生育率和人口死亡率，计算出本年的出生人口数和死亡人口数，并结合2001年到2005年市镇乡人口比拟合出未来人口迁移变化式，在此基础上根据上一年年末人口总数加上当年出生人口数和迁进人口数，减去当年死亡人口数和迁出人口数，获得本年年末人口数量．依次进行推移，对未来30年中国人口进行预测．预测结果显示在未来30年中国人口规模将保持增长的趋势，2010年为13.4亿，2020年为13.9亿，并在2034年达到峰值14.2亿，中国人口实现零增长. 在此期间人口自然增长率持续平稳下降，妇女生育保持稳定的低水平，死亡率保持较低水平，人口抚养比持续下降，城镇化水平进一步提高，人口年龄结构继续向老年型人口转变. 文章最后结合预测结果提出了我国未来应继续坚持贯彻实施计划生育政策和加强关注农村老年人口等人口政策的建议． 关键词：中国人口数学模型人口预测人口政策 I
leslie人口增长模型模型
l e s l i e人口增长模型 模型 Company Document number：WTUT-WT88Y-W8BBGB-BWYTT-19998
人口增长预测模型 摘要 本文建立了我国人口增长的预测模型，对各年份全国人口总量增长的中短期和长期趋势作出了预测，并对人口老龄化、人口抚养比等一系列评价指标进行了预测。最后提出了有关人口控制与管理的措施。 模型Ⅰ：建立了Logistic人口阻滞增长模型，利用附件2中数据，结合网上查找补充的数据，分别根据从1954年、1963年、1980年到2005年三组总人口数据建立模型，进行预测，把预测结果与附件1《国家人口发展战略研究报告》中提供的预测值进行分析比较。得出运用1980年到2005年的总人口数建立模型预测效果好，拟合的曲线的可决系数为。运用1980年到2005年总人口数据预测得到2010年、2020年、2033年我国的总人口数分别为亿、亿、亿。 模型Ⅱ：考虑到人口年龄结构对人口增长的影响，建立了按年龄分布的女性模型（Leslie模型）：以附件2中提供的2001年的有关数据，构造Leslie矩阵，建立相应 Leslie模型；然后，根据中外专家给出的人口更替率，构造Leslie矩阵，建立相应的 Leslie模型。 首先，分别预测2002年到2050年我国总人口数、劳动年龄人口数、老年人口数（见附录8），然后再用预测求得的数据分别对全国总人口数、劳动年龄人口数的发展情况进行分析，得出：我国总人口在2010年达到亿人，在2020年达到亿人，在2023年达到峰值亿人；预测我国在短期内劳动力不缺，但须加强劳动力结构方面的调整。 其次，对人口老龄化问题、人口抚养比进行分析。得到我国老龄化在加速，预计本世纪40年代中后期形成老龄人口高峰平台，60岁以上老年人口达亿人，比重达%；65岁以上老年人口达亿人，比重达%；人口抚养呈现增加的趋势。 再次，讨论我国人口的控制，预测出将来我国育龄妇女人数与生育旺盛期育龄妇女人数，得到育龄妇女人数在短期内将达到高峰，随后又下降的趋势的结论。 最后，分别对模型Ⅰ与模型Ⅱ进行残差分析、优缺点评价与推广。 关键词 Logistic人口模型 Leslie人口模型人口增长预测 MATLAB软件
时间序列分析ARMA模型实验
基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验
第一部分实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期内（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图：
图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图
对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.*