辽宁省渔业经济总产值集成预测与分析

管纯凤，李永化

（辽宁师范大学城市与环境学院，辽宁大连116029）

辽宁省渔业经济总产值集成预测与分析

管纯凤，李永化

（辽宁师范大学城市与环境学院，辽宁大连116029）

渔业作为农业的主要组成部分，是国民经济的重要基础之一，渔业经济的健康发展对辽宁省国民经济具有至关重要的作用。文章基于辽宁省渔业经济历史发展趋势，联合构建A R模型、多元线性回归模型和V A R模型，对辽宁省渔业经济总产值分别预测，根据各模型预测结果与误差，建立集成预测模型对未来渔业经济数据进行拟合测算。预测结果表明：各模型预测结果均具有不同程度的误差，A R预测效果较好；集成预测结果良好，具有一定的可靠性；辽宁渔业经济将呈现持续缓慢增长态势。

渔业经济；A R模型；多元线性回归模型；V A R模型；集成预测

一、引言

作为中国东北经济区和环渤海经济区的重要结合部，辽宁省东侧临黄海，西侧环渤海，海域面积广阔，海岸线优势与浅海滩涂资源，为辽宁渔业经济发展奠定良好的基础。天然的市场优势和地理区位，使得渔业经济成为辽宁农业经济的支柱产业和全省经济主要支撑点之一[1]。本文研究辽宁渔业经济发展趋势，对优化辽宁省产业结构，制定科学合理的渔业政策具有重要意义。

有关渔业经济的分析，现有文献主要从三个方面进行研究。在渔业经济指标构建方面，高强基于多种权重计算方法，构建现代渔业综合发展水平评价指标体系[2]；刘慧媛基于灰色关联角度对我国渔业经济产值因素影响力进行了评价[3]；R Doshi基于多变量最优控制理论，研究生态渔业与社会经济之间的关系，构建指标体系[4]；在渔业经济发展模式方面，张耀光通过研究獐子岛渔业集团，提出公司制是海洋渔业较为可行的发展模式[5]；权锡鉴参考国外渔业经济发达国家的渔业发展模式成功经验，提出六种渔业发展模式[6]；孙吉亭根据全球变暖现状，提出我国应发展碳汇渔业模式[7]；Ferdous Ahamed概述了孟加拉国淡水渔业现状，并对未来提出展望[8]；在分析其他领域与渔业经济的相关关系方面，杨林通过实证研究分析了渔业贷款与渔业经济的增长相关性[9]；熊德平运用GMM估计分析了中国金融发展与渔业经济之间的关系[10]；T Sigfusson研究了渔业产业集群对冰岛经济的影响[11]。

综上所述，在研究内容上，国内外学者主要集中在渔业经济指标构建、渔业经济发展模式的研究上，而针对渔业经济发展趋势研究较少；在研究方法上，现有文献主要是以理论性阐述和数据统计为主，其研究数据年限较短。本文参考辽宁省渔业经济发展趋势数据，通过对渔业经济与其影响因素进行分析，综合运用多重计量方法，对辽宁渔业经济未来发展进行预测，为政府合理决策、优化资源配置，促进辽宁渔业经济健康发展提供依据。

二、研究方法

回归分析主要研究客观事物间的关系，它是一种建立在对客观事物进行大量试验和观察的基础上，用来寻找统计规律性的计量经济分析方法。该方法用来分析两个及两个以上的变量之间相互的因果关系。

（一）自回归模型（AR）

自回归模型（Auto Regressive Model，简称AR模型），是用自身做回归变量的分析过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。它是时间序列分析模型中的一种常见形式。P阶自回归模型记作AR（p），满足下面的方程：

式（1）中，参数c为常数；φ1，φ2，…，φp是自回归模型系数；p为自回归模型阶数；εt是均值为0，方差为σ2的自噪声序列。自回归建模步骤：（1）时间序列平稳性检验：常采用ADF进行单位根检验，对不平稳的序列进行差分；（2）确

定变量滞后阶数：综合LogL、LR、FPE、AIC、SC和HQ信息准则确定最优滞后阶数；（3）建立模型并检验：通常采用LM检验法对残差序列进行检验；（4）用建立的AR模型进行预测。

（二）多元线性回归模型

一个被解释变量往往要受到若干解释变量的影响，当回归模型中的解释变量个数超过1时，称为多元回归模型。含有k个解释变量的线性回归模型可以写为：

式（2）中，T为样本个数，x称为解释变量或自变量，y称为被解释变量或因变量，u是误差项或扰动项，它体现了y的变化中没有被x所解释的部分，即除x以外其他所有对y产生影响的因素的综合体现。多元线性回归建模步骤：（1）设定回归方程形式和估计方程；（2）对回归方程进行检验：包括系数检验，残差检验和模型稳定性检验；（3）用建立的自回归模型进行预测。

（三）向量自回归模型（VAR）

向量自回归（VAR）是基于数据统计性质建立模型，把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，常用于对相关时间序列的预测和随机扰动对变量系统的动态影响[12]。根据Johansen的定义，n维向量yt的向量自回归（VAR）模型（包含P阶滞后变量）可以表述为以下过程：

式（3）中每一个Ai都是n×n的参数矩阵，εt为服从独立均匀分布的n维向量，同一时刻的元素可彼此相关，但不能与自身滞后值和模型右边的变量相关。向量自回归建模步骤如下：（1）单位根检验：为了防止回归分析中存在伪回归而造成结论无效，需要对序列进行单位根检验；（2）确定最优滞后阶数：综合运用LR、AIC和SC等信息准则确定最优滞后阶数；（3）建立VAR模型；（4）格兰杰因果检验：用确定的最优滞后阶数和建立的VAR模型进行格兰杰因果检验；（5）脉冲响应和方差分解分析变量之间的关系：由于运用VAR模型难以得到检验结果的经济涵义，因此经常使用脉冲响应函数来解释已建立的模型；（6）用建立的VAR模型进行预测。

（四）集成预测方法

常用集成预测方法之一是对各个模型预测结果的简单平均集成预测法，计算公式如下：

式（4）中xi表示第i个模型预测结果。简单平均集成预测虽综合考虑了各模型的预测结果，但忽略了由模型优劣导致的权重选择问题。研究者提出了加权平均预测法。加权平均预测法是对每个模型的预测值根据历史预测效果的优劣给出不同的权重，然后求加权平均值，以加权平均值作为集成的预测值。计算公式如下：

式（5）中βi表示第i个模型的权重。值得注意的是，文中仅考虑近期值，权重计算方法为各模型预测误差绝对值的倒数占总误差的百分比[13]。

三、变量选取和数据处理

自回归模型预测中，渔业经济是研究对象，即选取辽宁渔业经济总产值（Y）作为自回归变量。多元线性回归模型和向量自回归模型的变量选取，则要考虑影响渔业经济的解释变量，即影响渔业经济总产值的投入变量。现代西方经济学认为生产要素包括资本、劳动力、土地和企业家才能。由于企业家才能很难具体衡量，只选取资本、劳动力和自然资源生产要素投入变量。（1）渔船年末拥有量。渔船作为重要的渔业生产资料，对渔业产出水平具有重要作用，考虑到渔船对渔业生产的影响并非体现在船只数量上，而是体现在渔船吨位数的大小上，因此选取年末渔船总吨数作为渔船拥有量的变量，用B表示。（2）渔业从业人员。劳动力一般用人力资本存量来计量，考虑到我国目前渔业劳动力素质差异不大，鉴于数据的可获得性，假设所有劳动力是同质的，直接选取渔业从业人员作为劳动力投入变量，用L表示。（3）养殖面积。海水养殖和淡水养殖都需要载体，选取养殖面积作为自然资源投入变量，用S表示。

基于数据连续性和可获得性，文章数据来自于1986—2014年的《中国渔业统计年鉴》。在使用各变量数据时，本文用自然对数对其进行转换（转换后数据用LB、LL、LS和LY表示），以反映各数据之间的弹性并消除异方差性，借用Eviews6.0对相关数据进行计算和检验，计算显示结果均为对数值；后期进行对数还原，以便实际值与预测值的误差比较。为检验预测结果的准确性，本文在运用各模型预测过程中，仅对1986—2013年数据进行回归分析，2014年辽宁渔业经济数据以备检验。

表1 变量选取

四、实证分析

2004—2014年辽宁渔业经济总产值占GDP比例平均为6.1%，超出全国同期3.5%的水平。图1显示了1986—2014年辽宁省渔业经济发展趋势。2000年以前渔业生产总值从10 500万元上升至1 765 578万元，而渔民人均收入则在6 000元以内，渔业生产总值和渔民人均收入均呈现增长态势，但增速较缓；2000年后渔业生产总值和渔民人均

收入均加速增长，2014年渔业生产总值达到15 744 966万元，渔民人均收入增加至16 021.59元，年均增加数额比2000年前有较大提高，表明研究时间段内（1986—2014年）渔民收入与渔业经济呈现同步效应；渔业经济的发展对提高渔民收入具有重要影响[1]。

图1 渔业经济总产值与渔民人均收入年际变化

图2 AR模型拟合预测效果图

（一）自回归预测

为防止出现伪回归而造成模型估计结果失真，首先对序列进行平稳性检验，本研究采用ADF检验对相关数据进行单位根检验[14]。检验结果显示，原序列LY为非平稳数据。在进行一阶差分之后，在1%显著水平下，ΔLY为平稳序列。根据滞后期检验评价标准，参照Eviews计算结果，判定最优滞后阶数为1阶。

建立模型，得到AR（1）方程LY=0.965886357336*LY（-1）+0.670140974145，调整R2为0.991，拟合效果良好。经过对残差序列进行LM检验，检验结果不能拒绝原假设，即回归方程的残差序列不存在序列相关性。因此，用AR（1）模型回归方程的估计结果是有效的。通过Eviews6.0利用AR（1）方程对辽宁省渔业经济进行动态预测，预测结果见图2，横轴表示相应年份，纵轴表示渔业经济产值；LY表示渔业经济产值，LY0为渔业经济预测产值（此处产值为自然对数后数值）。2001年中国加入WTO，我国沿海各省的渔业经济受到冲击，所以2001年前后，辽宁省渔业经济增长较为缓慢，与预测值差距相对较大。

（二）多元线性回归预测

以LB、LL和LS作为自变量，以LY作为因变量，添加常数项C，结果见表2。依表中显示数值可建立多元线性回归方程：LY=1.39966840919*LB+0.714644334652*LL+0.855562109293 *LS-24.1568627473

表2 多元线性回归拟合结果

各变量的P值均小于1%，变量的显著性检验通过；调整拟合系数为0.985，接近于1，拟合效果较好；D.W.统计量为1.453 424，表明序列不相关。对方程分别进行冗余变量似然比检验、正态性检验和QA分割点检验，检验结果表明系数检验通过，残差呈正态分布，模型较为稳定。

多元线性回归方程的建立仅能对现有序列进行预测对比分析，为了对未来数据进行预测，借用AR模型，分别对LB、LL和LS进行估计，然后用已建立的回归方程和各变量估计数值对渔业经济进行预测，拟合预测结果如图3所示。

图3 多元线性回归模型拟合预测效果图

图4 VAR模型拟合预测效果图

（三）向量自回归预测

对各变量进行单位根检验，ADF检验结果表明，各变量原始序列不平稳，一阶差分后序列平稳；通过VAR模型滞后期检验评价标准判定最优滞后阶数为3阶。

VAR建模要求序列之间存在相关性，那么对影响辽宁渔业经济总产值的3个因素进行相关性分析，相关系数均在0.85以上，表明各影响因素之间存在较强的相关性，可进行VAR建模[15]。将3个影响因素（LB、LL和LS）与渔业经济总产值（LY）进行VAR建模，并进行Granger因果检验，渔船年末拥有量、渔业人口与渔业经济互为Granger原因，养殖面积不是渔业经济的Granger原因。表明渔船的增加和渔业人口的增长能够促进渔业经济的发展，而养殖面积的扩大对渔业经济影响较小[16]。

VAR建模拟合矩阵如下：

LY、LB、LL和LS的调整拟合系数分别为0.995 447、0.993 994、0.811 770和0.974 171，表明模型拟合效果较好，对比发现LY拟合效果很好。拟合预测结果如图5所示。

（四）综合集成预测

通过自回归模型、多元线性回归模型和向量自回归模型，对2010—2013年辽宁省渔业经济总产值分别进行拟

合预测，并进行自然对数还原，结果如表3所示。与实际值比较，自回归模型预测误差绝对值为3.787%，误差最小；多元线性回归误差绝对值为9.845%，误差较大；向量自回归模型误差绝对值为17.54%，误差最大。预测结果横向比较表明，自回归预测数值表现最好，这是由于自回归模型本身约束条件较少，不涉及其他变量，而多元线性回归模型要考虑多个自变量，向量自回归模型需兼顾多元和矩阵约束。预测结果纵向比较表明，各模型预测值小于实际值，主要由于近几年辽宁省渔业经济发展迅速导致；各预测结果误差除自回归效果较好以外，其余模型预测误差较大，主要由于对数值进行对数转换还原预测，且转化数值较大，而各模型渔业经济对数总产值预测误差均在1%以内。

图5 2014—2020年辽宁省渔业经济集成预测总产值

表3 各模型渔业经济总产值预测值及误差率

由于单个模型的预测误差仍然相对偏大，预测误差的波动较大，无法满足辽宁渔业经济相关决策对预测结果精准的要求，需要发展更为准确的预测模型，因此进行辽宁渔业经济的综合集成预测。根据前文所述的权重计算方法，表2已经列出各模型预测权重，根据四种预测模型分别计算出2014—2020年的辽宁渔业经济生产总值，计算结果如表4所示。2014年，辽宁渔业经济生产总值1 562亿元，而综合预测结果为1 543亿元，预测结果良好，表明预测结果具有一定的可靠性。

依照综合预测2014—2020年数值，作出图5，表明2014—2020年辽宁省渔业经济总产值呈现持续增长态势，但增长趋势相对缓慢。

表4 各模型2014—2020年渔业经济总产值预测值（万元）

五、结论

辽宁省渔业经济正处于改革攻坚的过渡期，准确把握渔业经济发展趋势对渔民、企业和政府都显得至关重要。本文通过运用多重计量方法实证分析，并进行综合集成预测，总结辽宁渔业经济未来发展趋势。预测结果表明：第一，渔业经济与渔民人均收入呈同步增长态势，发展渔业经济有利于渔民增收，提高渔民生活水平；第二，由于模型自身限制条件，各种模型预测结果优良不一，AR模型预测结果较好，多元线性回归模型预测误差较大，VAR预测表现较差，建立在三种计量模型之上的集成预测精度较高，拟合值与实际值较为接近；第三，渔船的增加和渔民数量的增长能够促进渔业经济的增长，渔业经济的增长则刺激渔民数量的增加和养殖面积的扩大，渔业经济的良好发展解决了渔民就业问题，有利于维护社会安定；第四，辽宁渔业经济在未来一段时间内，将呈现持续增长趋势。

辽宁渔业经济未来发展趋势表明政府仍要重视渔业经济的发展，合理配置渔业资源，真正实现渔业经济的稳步增长，进而实现渔民增收，为促进GDP做出贡献。渔业经济的健康发展需要政府、企业和渔民的相互配合。辽宁省政府应当认清渔业经济发展趋势，把控渔业发展宏观方向，稳定和完善渔业基本制度；企业要配合政府宏观政策，增大技术要素投入，发展低碳渔业，实现科技兴渔，共同推进现代渔业建设；渔民要响应政府转产转业的政策，科学捕捞，实现海洋经济系统的生态性[17]。

研究存在一定的不足，本文只是单纯基于辽宁省渔业经济进行集成预测分析，以期描绘辽宁渔业经济未来发展趋势，若对渔业产业结构进行更深入的探讨，则可分析辽宁渔业存在的问题进行分析，实现辽宁渔业经济健康合理的发展。

[1]刘峻峰，孙康，柴瑞瑞，等，2016.基于VECM和DEA的辽宁省渔业经济可持续发展动态评价[J].生产力研究（3）：95-99.

[2]高强，丁慧媛，盖发宾.现代渔业综合发展水平评价指标体系研究——基于多种权重计算方法[J].中国渔业经济，2012，30（1）：38-45.

[3]刘慧媛，陈孟婕，徐硕.基于灰色关联度分析的我国渔业经济产值影响因素评价[J].渔业信息与战略，2014，29（3）：192-198.

[4]R Doshi，U Diwekar，PT Benavides et al.Maximizing sustainability of ecosystem model through socio-economic policies derived from

multivariable optimal controltheory[J].Clean Technologies&Environmental Policy，2015，17（17）：1573-1583.

[5]张耀光，刘锴，刘桂春.海洋渔业产业发展模式研究——以大连獐子岛渔业集团为例[J].经济地理，2009，29（2）：244-248.

[6]权锡鉴，王乃峰.基于不同组织体制的海洋渔业发展模式研究[J].中国渔业经济，2015，33（2）：4-10.

[7]孙吉亭，赵玉杰.我国碳汇渔业发展模式研究[J].东岳论丛，2011，32（8）：150-155.

[8]Ferdous Ahamed，Bernerd Fulanda，Muhammad Abu Bakar Siddik et al.An overview of freshwater prawn fishery in Bangladesh：present status and future prospect[J].Journal of Coastal Life Medicine，2014，2（7）：580-588.

[9]杨林，杨广勇.渔业贷款与渔业经济增长相关性的实证研究[J].中国渔业经济，2011，29（2）：145-151.

[10]熊德平，孙佳.中国金融发展的渔业经济增长效应——基于人均GDP和劳动生产率视角的省级面板数据GMM估计[J].农业技术经济，2014，34（3）：97-107.

[11]T Sigfusson，R Arnason，K Morrissey.The economic importance of the Icelandic fisheries cluster-Understanding the role of fisheries in a small economy[J].Marine Policy，2013，39（3）：154-161.

[12]王健，刘荷，2014.区域物流发展的影响因素研究——基于福建省的实证分析[J].华东经济管理（3）：22-27.

[13]郑莉，段冬梅，陆凤彬，等.我国猪肉消费需求量集成预测——基于ARIMA、VAR和VEC模型的实证[J].系统工程理论与实践，2013，33（4）：918-925.

[14]刘骁毅，2013.股指期货对我国股票市场指数结构性变化以及波动性影响的实证研究[J].生产力研究（2）：54-57.

[15]赵自然，2014.QFII持续快速扩容的原因分析——基于VAR模型与Johansen协整检验[J].生产力研究（5）：67-71.

[16]史丽媛，2012.保险与经济增长引致关系研究[J].生产力研究（1）：94-95，109.

[17]徐谅慧，李加林，马仁锋，等，2014.浙江省海洋主导产业选择研究——基于国家海洋经济示范区建设视角[J].华东经济管理（3）：12-15.

（责任编辑：C校对：R）

F127.31；F326.4

A

1004-2768（2016）11-0089-05

2016-09-12

管纯凤（1990-），女，辽宁大连人，辽宁师范大学城市与环境学院硕士研究生，研究方向：经济地理；李永化（1960-），男，辽宁朝阳人，辽宁师范大学城市与环境学院教授，研究方向：自然地理。