六 中部地区装备制造业发展趋势预测

在对2015年中部地区装备制造业发展水平进行因子分析与聚类分析后，笔者仍对中部地区装备制造业在2004年国家提出中部崛起战略后的发展态势与是否具有新动力十分感兴趣。因此，本章将利用自回归移动平均模型（ARIMA, Auto Regressive Integrated Moving Average）对2004～2015年中部六省装备制造业在全国格局中的发展地位与未来发展趋势进行研究与预测。

（一）数据来源与平稳性检验

本章使用ARIMA模型对2004～2015年中部地区装备制造业工业增加值占GDP比重的时间序列进行拟合与预测，数据来源于《中国统计年鉴》（2005～2015年）、《中国工业经济统计年鉴》（2005～2012年）、《中国工业统计年鉴》（2013～2016年）和《中国经济普查年鉴》部分年份数据。

基于研究时段，本章主要参照《国民经济行业分类》（GB/T 4754-2011）进行装备制造业行业分类与数据加总。2004～2011年装备制造业工业增加值占GDP比重由金属制品业，通用设备制造业，专用设备制造业，交通运输设备制造业，电气机械和器材制造业，电子及通信设备制造业，仪器仪表及文化、办公用机械制造业七个产业部门加总得出。2012～2015年装备制造业工业增加值占GDP比重由金属制品业，通用设备制造业，专用设备制造业，汽车制造业，铁路、船舶、航空航天和其他运输设备制造业，电气机械和器材制造业、电子及通信设备制造业、仪器仪表制造业八个产业部门加总得出，均以2004年为基期的GDP平减指数调整当年价格。

表2-16为装备制造业工业增加值占GDP比重（IVA/GDP）序列的单位根检验结果，Perron检验在1%显著性水平下拒绝了单位根的虚无假设（P＜0.01）。所以ARIMA（p, d, q）模型中的d值为1。

表2-16 Phillips-Perron单位根检验结果

*Mackinnon approximate p-value for z（t）=0.0000

（二）模型识别与检验

通过平稳性检验确定ARIMA（p, d, q）模型中的d值为1后，只需确定模型中的p和q。由于MA（q）模型中的自相关系数是在q阶以后截尾的，而AR（p）模型的偏自相关系数是在p阶截尾的，所以可以通过自相关系数和偏自相关系数识别ARIMA（p, d, q）模型。从图2-7来看，序列自相关系数在1阶处截尾，偏自相关系数在1阶截尾，则取模型的阶数p=1、q=1建立ARIMA模型，并通过模型拟合结果选择最优的拟合模型，自相关系数在1阶落入5%显著性水平的置信带，自相关系数与0显著无差异，用更高阶的AR模型并不会对拟合有什么改进。故可以认为模型的残差序列为纯随机序列，即白噪声序列。

图2-7 IVA/GDP自相关与偏自相关分析

从表2-17的估计结果看，截距项在5%显著性水平上拒绝为零的原假设，AR（1）、MA（1）的系数均在5%显著性水平上拒绝原假设，序列不存在相关性，满足过程平稳的基本要求，模型拟合效果较为理想。

表2-17 ARIMA（1, 1, 1）模型估计结果

（三）模型预测

随着预测时间的延长，预测数值的方差会变大，ARIMA模型长期预测结果与实际值的偏差可能较大，故ARIMA较适用于短期预测。本章使用ARIMA（1, 1, 1）模型预测2016～2020年的中部地区装备制造业工业增加值占GDP比重的发展趋势。图2-8中的预测值为经过以2004年为基期的GDP平减指数调整后的中部地区装备制造业工业增加值占GDP比重。从预测值来看，中部地区装备制造业工业增加值占GDP比重在2004年有较大幅度的提升，2007年以后呈较大幅度的波动上升，2013年小幅下降，2017年将波动下降，之后将呈现上扬态势。

图2-8 中部地区装备制造业工业增加值占GDP比重预测值与实际观测值对比