地區(qū)RPI增速預(yù)測(cè)結(jié)果研究

導(dǎo)語(yǔ)：地區(qū)RPI增速預(yù)測(cè)結(jié)果研究一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

內(nèi)容提要：大數(shù)據(jù)時(shí)代可有效利用高頻網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測(cè)傳統(tǒng)宏觀經(jīng)濟(jì)走勢(shì)。基于網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)商品零售價(jià)格指數(shù)（RPI）變動(dòng)影響的分析，利用相關(guān)關(guān)鍵詞的網(wǎng)絡(luò)搜索數(shù)據(jù)，構(gòu)建河北省地區(qū)日度網(wǎng)絡(luò)搜索指數(shù)，并基于混頻數(shù)據(jù)模型MIDAS-AR(1)對(duì)地區(qū)rpi增速進(jìn)行預(yù)測(cè)。研究結(jié)果表明：基于日度網(wǎng)絡(luò)搜索指數(shù)的混頻數(shù)據(jù)模型適用于地區(qū)RPI增速的預(yù)測(cè)。在靜態(tài)預(yù)測(cè)方面，采用混頻數(shù)據(jù)模型的預(yù)測(cè)精度要優(yōu)于同頻模型。在動(dòng)態(tài)預(yù)測(cè)方面，采用調(diào)整模型h值的混頻數(shù)據(jù)模型的預(yù)測(cè)效果優(yōu)于AR(1)模型的動(dòng)態(tài)預(yù)測(cè)結(jié)果，說(shuō)明構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對(duì)地區(qū)RPI變動(dòng)具有一定的預(yù)測(cè)能力。基于此，在對(duì)宏觀經(jīng)濟(jì)進(jìn)行監(jiān)測(cè)預(yù)測(cè)時(shí)，應(yīng)有效利用網(wǎng)絡(luò)海量即時(shí)數(shù)據(jù)；混頻數(shù)據(jù)模型可應(yīng)用于區(qū)域RPI增速預(yù)測(cè)。

關(guān)鍵詞：商品零售價(jià)格指數(shù)；RPI增速預(yù)測(cè)；混頻大數(shù)據(jù)；網(wǎng)絡(luò)搜索指數(shù)

近年來(lái)，現(xiàn)代網(wǎng)絡(luò)技術(shù)手段的不斷發(fā)展使獲取和儲(chǔ)存海量數(shù)據(jù)成為可能。網(wǎng)絡(luò)搜索數(shù)據(jù)頻率往往高于傳統(tǒng)宏觀經(jīng)濟(jì)變量，蘊(yùn)含豐富的數(shù)據(jù)信息。伴隨著混頻數(shù)據(jù)模型的深入研究和在經(jīng)濟(jì)金融領(lǐng)域內(nèi)的推廣應(yīng)用，利用高頻數(shù)據(jù)預(yù)測(cè)低頻數(shù)據(jù)成為可能。網(wǎng)絡(luò)搜索數(shù)據(jù)可以體現(xiàn)由于經(jīng)濟(jì)環(huán)境或供給需求變化產(chǎn)生的關(guān)鍵詞搜索行為，其中蘊(yùn)含了能夠引起RPI變動(dòng)的因素，這些因素是對(duì)預(yù)測(cè)RPI變動(dòng)的傳統(tǒng)信息源的重要數(shù)據(jù)補(bǔ)充。結(jié)合混頻數(shù)據(jù)模型，可以充分發(fā)揮網(wǎng)絡(luò)搜索數(shù)據(jù)的高頻優(yōu)勢(shì)。這一方法可以利用更多數(shù)據(jù)信息，在已有的應(yīng)用研究中大多收到較好的預(yù)測(cè)效果，為預(yù)測(cè)宏觀經(jīng)濟(jì)變量提供新的思路。因此，篩選恰當(dāng)?shù)木W(wǎng)絡(luò)搜索數(shù)據(jù)，研究利用高頻數(shù)據(jù)信息預(yù)測(cè)宏觀經(jīng)濟(jì)變量具有一定的現(xiàn)實(shí)意義。

一、相關(guān)研究文獻(xiàn)評(píng)述

網(wǎng)絡(luò)搜索數(shù)據(jù)是衡量網(wǎng)絡(luò)輿情的重要指標(biāo)。在宏觀經(jīng)濟(jì)領(lǐng)域，已有研究表明：網(wǎng)絡(luò)搜索數(shù)據(jù)可體現(xiàn)生產(chǎn)者和消費(fèi)者的投資和需求狀態(tài)，與經(jīng)濟(jì)指標(biāo)存在相關(guān)關(guān)系。張崇等（2012）研究表明：網(wǎng)絡(luò)搜索數(shù)據(jù)與居民消費(fèi)價(jià)格指數(shù)存在協(xié)整關(guān)系。白麗娟等（2015）認(rèn)為，用戶受到事件影響時(shí)結(jié)合自身信息需求會(huì)產(chǎn)生搜索行為，形成關(guān)鍵詞，即關(guān)鍵詞可看作是事件發(fā)展的量化指標(biāo)。劉偉江和李映橋（2018）從供求理論的角度出發(fā)，基于谷歌指數(shù)合成宏觀和微觀搜索指數(shù)，實(shí)證表明：搜索指數(shù)與商品零售價(jià)格指數(shù)具有長(zhǎng)期穩(wěn)定協(xié)整關(guān)系。基于網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)金融和經(jīng)濟(jì)指標(biāo)影響的分析，Choi和Varian（2012）引入Google指數(shù)預(yù)測(cè)失業(yè)、旅游等領(lǐng)域的經(jīng)濟(jì)指標(biāo)，研究表明：其預(yù)測(cè)效果更佳。González-Fernández和González-Ve-lasco（2018）基于所選關(guān)鍵詞的Google指數(shù)，實(shí)證表明：引入網(wǎng)絡(luò)搜索數(shù)據(jù)能夠提升模型預(yù)測(cè)精度，利用網(wǎng)絡(luò)搜索信息的預(yù)測(cè)可被推廣至其他經(jīng)濟(jì)指標(biāo)。國(guó)內(nèi)學(xué)者徐映梅和高一銘（2017）基于百度指數(shù)數(shù)據(jù)，構(gòu)造CPI低頻及高頻輿情指數(shù)預(yù)測(cè)CPI，兩類輿情指數(shù)具有較強(qiáng)的時(shí)效性，在利用高頻輿情指數(shù)預(yù)測(cè)CPI時(shí)采用混頻數(shù)據(jù)模型MIDAS，改進(jìn)了CPI預(yù)測(cè)精度。張瑞等（2020）基于網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測(cè)上海商品零售價(jià)格指數(shù)，研究表明：在預(yù)測(cè)時(shí)引入網(wǎng)絡(luò)搜索數(shù)據(jù)具有時(shí)效性。李俊杰等（2021）發(fā)現(xiàn)，通過(guò)百度搜索數(shù)據(jù)可提取房地產(chǎn)市場(chǎng)信息關(guān)注指數(shù)。關(guān)于混頻數(shù)據(jù)模型理論的應(yīng)用研究較多，Ghy-sels等（2004）提出混頻數(shù)據(jù)模型（MIDAS），認(rèn)為MI-DAS模型可應(yīng)用于經(jīng)濟(jì)與金融領(lǐng)域。Clements和Galvo（2012）提出引入一個(gè)向量自回歸項(xiàng)作為共同因子，以消除低頻因變量對(duì)高頻自變量的季節(jié)性影響。國(guó)內(nèi)多數(shù)研究將混頻數(shù)據(jù)模型應(yīng)用于我國(guó)宏觀經(jīng)濟(jì)變量的預(yù)測(cè)中，王維國(guó)和于揚(yáng)（2016）基于混頻數(shù)據(jù)，構(gòu)建不同權(quán)重函數(shù)的混頻數(shù)據(jù)回歸預(yù)測(cè)模型和無(wú)約束MIDAS模型，對(duì)我國(guó)季度GDP進(jìn)行預(yù)測(cè)，研究表明：以BIC為權(quán)重的聯(lián)合預(yù)測(cè)模型預(yù)測(cè)效果最優(yōu)。紀(jì)堯（2021）采用包含利率、大宗商品價(jià)格、農(nóng)產(chǎn)品價(jià)格、京東網(wǎng)絡(luò)電商等高頻數(shù)據(jù)，構(gòu)建MIDAS模型，對(duì)我國(guó)CPI及PPI進(jìn)行預(yù)測(cè)，說(shuō)明其相對(duì)于ADL及GARCH模型在預(yù)測(cè)效果上的優(yōu)越性。通過(guò)對(duì)已有研究文獻(xiàn)的梳理，可以發(fā)現(xiàn)：公眾對(duì)事件的關(guān)注度可以通過(guò)網(wǎng)絡(luò)搜索行為轉(zhuǎn)化為關(guān)鍵詞熱度，網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)宏觀經(jīng)濟(jì)變量存在影響。相比以往研究，本文有以下方面創(chuàng)新：一方面，本文保留網(wǎng)絡(luò)大數(shù)據(jù)的原有頻率，采用日度網(wǎng)絡(luò)搜索數(shù)據(jù)構(gòu)建地區(qū)網(wǎng)絡(luò)搜索指數(shù)進(jìn)行預(yù)測(cè)，從而避免損失數(shù)據(jù)信息；另一方面，本文將混頻數(shù)據(jù)模型應(yīng)用于某區(qū)域的RPI預(yù)測(cè)，以豐富基于網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測(cè)商品零售價(jià)格指數(shù)的研究。

二、網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)地區(qū)RPI變動(dòng)影響分析

（一）網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵詞與地區(qū)RPI變動(dòng)

根據(jù)以往研究，本文認(rèn)為，利用網(wǎng)絡(luò)搜索數(shù)據(jù)構(gòu)建的指數(shù)不僅可以應(yīng)用于CPI預(yù)測(cè)，同樣可以推廣至其他類價(jià)格指數(shù)，例如RPI。構(gòu)建關(guān)注度指標(biāo)的首要任務(wù)是相關(guān)關(guān)鍵詞的篩選，本文從經(jīng)濟(jì)金融環(huán)境、常見(jiàn)零售商品、民生熱詞方面考慮與RPI變動(dòng)相關(guān)的關(guān)鍵詞。1.宏觀經(jīng)濟(jì)及金融環(huán)境的影響。結(jié)合白麗娟等（2015）的研究，本文認(rèn)為，當(dāng)宏觀經(jīng)濟(jì)及金融市場(chǎng)發(fā)生熱點(diǎn)事件時(shí)，一方面，居民對(duì)這一事件的關(guān)注度增加，這會(huì)從網(wǎng)絡(luò)搜索熱度中得以體現(xiàn)；另一方面，RPI作為宏觀經(jīng)濟(jì)系統(tǒng)中的重要組成部分，宏觀經(jīng)濟(jì)及金融市場(chǎng)的大事件會(huì)對(duì)RPI產(chǎn)生影響。在這個(gè)過(guò)程中存在居民對(duì)于某一關(guān)鍵詞的搜索熱度先行于RPI變動(dòng)的可能性，但具體哪些關(guān)鍵詞能夠先行于RPI變動(dòng)、能夠應(yīng)用于RPI變動(dòng)的預(yù)測(cè)還需要進(jìn)一步定量分析。2.居民對(duì)商品價(jià)格的關(guān)注度。RPI這一指數(shù)主要反映商品零售價(jià)格變動(dòng)的趨勢(shì)。因此，部分商品價(jià)格的變動(dòng)也會(huì)引發(fā)RPI變動(dòng)。從消費(fèi)者角度和生產(chǎn)者角度都有可能形成對(duì)某種商品的搜索行為，這些搜索行為本身代表了某些商品供求關(guān)系的變動(dòng)情況，凝結(jié)了可能影響物價(jià)的因素。3.居民對(duì)社會(huì)熱點(diǎn)問(wèn)題的探討。民生領(lǐng)域熱詞的關(guān)注度是持續(xù)較高的，就業(yè)、物價(jià)上漲等社會(huì)經(jīng)常關(guān)注的熱點(diǎn)問(wèn)題同樣會(huì)對(duì)RPI的變動(dòng)產(chǎn)生影響。例如，就業(yè)壓力大時(shí)對(duì)于就業(yè)的關(guān)注度會(huì)加大，而就業(yè)壓力可能影響部分人群的消費(fèi)水平，致使部分消費(fèi)品價(jià)格波動(dòng)，從而影響RPI變動(dòng)。綜上，本文基于上述三個(gè)層面選取關(guān)鍵詞，具體選取的關(guān)鍵詞如表1所示。

（二）構(gòu)建網(wǎng)絡(luò)搜索指數(shù)的關(guān)鍵詞篩選

初選關(guān)鍵詞不一定都適合應(yīng)用于地區(qū)RPI變動(dòng)的預(yù)測(cè)，還需要通過(guò)定量分析進(jìn)一步篩選出具有預(yù)測(cè)作用的關(guān)鍵詞。在構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)時(shí)，首先，將地區(qū)關(guān)鍵詞日度搜索數(shù)據(jù)通過(guò)按月平均的方式轉(zhuǎn)化為月度日均搜索數(shù)據(jù)；其次，利用SPSS計(jì)算地區(qū)RPI同比增長(zhǎng)率與其月度網(wǎng)絡(luò)日均搜索數(shù)據(jù)在不同時(shí)滯情況下的時(shí)差相關(guān)系數(shù)，找出相關(guān)系數(shù)最大時(shí)的時(shí)滯數(shù)，分析該關(guān)鍵詞與RPI同比增長(zhǎng)率數(shù)據(jù)的時(shí)滯關(guān)系；最后，基于篩選出的具有預(yù)測(cè)作用的關(guān)鍵詞構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)，即根據(jù)各關(guān)鍵詞與RPI同比增長(zhǎng)率之間的時(shí)滯關(guān)系對(duì)各關(guān)鍵詞序列進(jìn)行錯(cuò)序調(diào)整，以關(guān)鍵詞搜索數(shù)據(jù)與RPI增長(zhǎng)率的時(shí)差相關(guān)系數(shù)的絕對(duì)值作為權(quán)重進(jìn)行加權(quán)平均，得到地區(qū)日度網(wǎng)絡(luò)搜索指數(shù)。綜上所述，本文認(rèn)為，可以先找出在理論上與RPI增速存在關(guān)聯(lián)的關(guān)鍵詞，構(gòu)成一個(gè)專有的關(guān)鍵詞詞庫(kù)，產(chǎn)生重點(diǎn)關(guān)鍵詞；再采用定量分析的方法篩選出與地區(qū)RPI變動(dòng)相關(guān)性較大的關(guān)鍵詞；最終，構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)。基于構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)，建立混頻數(shù)據(jù)模型MIDAS-AR對(duì)區(qū)域RPI增速進(jìn)行預(yù)測(cè)效果研究。

三、基于網(wǎng)絡(luò)搜索數(shù)據(jù)的地區(qū)RPI增速預(yù)測(cè)模型構(gòu)建

（一）數(shù)據(jù)來(lái)源與處理

本文以河北省為例，構(gòu)建河北省網(wǎng)絡(luò)搜索指數(shù)預(yù)測(cè)地區(qū)RPI增速。國(guó)內(nèi)多數(shù)研究利用百度指數(shù)衡量關(guān)注度，如楊欣和呂本富（2014）、陳植元等（2016）。百度指數(shù)基于訪問(wèn)百度的海量網(wǎng)民行為數(shù)據(jù)，已具備向咨詢者展示單個(gè)詞的趨勢(shì)、需求圖譜和人群畫(huà)像等功能。本文采用的關(guān)鍵詞網(wǎng)絡(luò)搜索數(shù)據(jù)來(lái)源于百度指數(shù)官網(wǎng)。地區(qū)月度RPI數(shù)據(jù)來(lái)源于同花順金融數(shù)據(jù)庫(kù)。實(shí)證分析時(shí)將數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，將2013年1月1日至2019年6月30日的日度網(wǎng)絡(luò)搜索數(shù)據(jù)及2013年1月至2019年6月的RPI同比增速數(shù)據(jù)作為訓(xùn)練集，將2019年7月1日至2020年12月31日的日度網(wǎng)絡(luò)搜索數(shù)據(jù)及2019年7月至2020年12月的RPI同比增速數(shù)據(jù)作為測(cè)試集，采用均方誤差MSE衡量模型預(yù)測(cè)效果。為減少入選關(guān)鍵詞序列由于數(shù)量級(jí)差異對(duì)模型預(yù)測(cè)造成的影響，將入選的關(guān)鍵詞百度指數(shù)序列的訓(xùn)練集按以下方式進(jìn)行處理：（1）對(duì)于測(cè)試集的日度網(wǎng)絡(luò)搜索指數(shù)，采用與訓(xùn)練集相同的歸一化算法，即（2）

（二）模型構(gòu)建

本文基于混頻數(shù)據(jù)模型MIDAS(m,K,h)-AR(p)進(jìn)行實(shí)證分析，其表達(dá)式如式（3）所示。其中，xt代表高頻日度數(shù)據(jù)，yt代表低頻月度數(shù)據(jù)。m為因變量與自變量的頻率倍差，本文中m的值為30。為權(quán)重多項(xiàng)式，L為滯后算子。K為最大滯后階數(shù)，h為向前預(yù)測(cè)的步數(shù)。在表1的關(guān)鍵詞中，選出了關(guān)鍵詞指數(shù)與河北省RPI變動(dòng)的時(shí)差相關(guān)系數(shù)較大的四個(gè)關(guān)鍵詞，分別是“油價(jià)”“利率”“糧食價(jià)格”“棉花價(jià)格”。其領(lǐng)先階數(shù)分別為1階、0階、5階、4階，對(duì)應(yīng)的時(shí)差相關(guān)系數(shù)分別為-0.55、-0.59、-0.50與-0.53。按照式（1）對(duì)四個(gè)關(guān)鍵詞序列進(jìn)行預(yù)處理，并以時(shí)差相關(guān)系數(shù)的絕對(duì)值作為權(quán)重對(duì)兩個(gè)關(guān)鍵詞序列進(jìn)行加權(quán)平均，得到地區(qū)日度網(wǎng)絡(luò)搜索指數(shù)。經(jīng)檢驗(yàn)，建模序列在5%的顯著性水平下平穩(wěn)。為便于模型計(jì)算分析，將一年中每個(gè)月的天數(shù)設(shè)定為30天。本文采用三種模型對(duì)河北省RPI同比增速進(jìn)行預(yù)測(cè)：（1）基于混頻數(shù)據(jù)的MIDAS-AR(1)模型；（2）基于同頻數(shù)據(jù)的自回歸分布滯后模型ADL。由于對(duì)河北省RPI增長(zhǎng)率建立AR(1)模型后，其殘差已不存在自相關(guān)。因此，在這兩種模型中，均引入因變量的一階滯后項(xiàng)；（3）AR(1)模型。

四、基于網(wǎng)絡(luò)搜索數(shù)據(jù)的地區(qū)RPI增速預(yù)測(cè)結(jié)果分析

（一）基于靜態(tài)預(yù)測(cè)方法的預(yù)測(cè)效果分析

首先，采用靜態(tài)預(yù)測(cè)的方法對(duì)測(cè)試集的各時(shí)間點(diǎn)進(jìn)行預(yù)測(cè)。基于三種模型預(yù)測(cè)的均方誤差如表2和表3所示。表2列出了混頻數(shù)據(jù)模型設(shè)定不同的最大滯后階數(shù)K值及不同的向前預(yù)測(cè)步數(shù)h值時(shí)MI-DAS-AR(1)在測(cè)試集上的靜態(tài)預(yù)測(cè)情況。表3列出了h值取90的MIDAS-AR(1)模型、相應(yīng)滯后階數(shù)的ADL模型與AR(1)模型靜態(tài)預(yù)測(cè)的均方誤差。其中，ADL模型的網(wǎng)絡(luò)搜索指數(shù)采用月度數(shù)據(jù)，先將“油價(jià)”“利率”“糧食價(jià)格”“棉花價(jià)格”關(guān)鍵詞日度網(wǎng)絡(luò)搜索數(shù)據(jù)通過(guò)按月平均的方式轉(zhuǎn)化為月度日均網(wǎng)絡(luò)搜索數(shù)據(jù)，再將經(jīng)錯(cuò)序調(diào)整的兩個(gè)序列進(jìn)行歸一化，并以時(shí)差相關(guān)系數(shù)的絕對(duì)值作為權(quán)重加權(quán)平均得到。由表2可知，采用MIDAS-AR(1)模型靜態(tài)預(yù)測(cè)的效果與最大滯后階數(shù)K和向前預(yù)測(cè)步數(shù)h有關(guān)。隨著最大滯后階數(shù)K的變化，模型預(yù)測(cè)的均方誤差大小有波動(dòng)。在表2中，當(dāng)h的值為90，K的值為150，即日度網(wǎng)絡(luò)搜索指數(shù)采用向前預(yù)測(cè)步數(shù)為90天，滯后150天（5個(gè)月）的數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，模型的預(yù)測(cè)效果相對(duì)最優(yōu)。此時(shí)，MIDAS-AR(1)模型與ADL模型的預(yù)測(cè)效果如圖1所示。由表3可知，采用混頻數(shù)據(jù)模型的預(yù)測(cè)精度均優(yōu)于對(duì)應(yīng)的同頻ADL模型。當(dāng)h值大于等于60，混頻數(shù)據(jù)模型的靜態(tài)預(yù)測(cè)可以產(chǎn)生優(yōu)于AR(1)模型的靜態(tài)預(yù)測(cè)效果。

（二）基于動(dòng)態(tài)預(yù)測(cè)方法的預(yù)測(cè)效果分析

基于動(dòng)態(tài)預(yù)測(cè)，進(jìn)一步分析構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對(duì)地區(qū)RPI變動(dòng)預(yù)測(cè)的作用，訓(xùn)練集與測(cè)試集的劃分與靜態(tài)預(yù)測(cè)相同。本文通過(guò)調(diào)整混頻模型中h的值對(duì)2019年7月至2020年12月測(cè)試集上的RPI增速進(jìn)行動(dòng)態(tài)預(yù)測(cè)。其對(duì)應(yīng)關(guān)系如表4所示。在進(jìn)行動(dòng)態(tài)預(yù)測(cè)時(shí)，模型中因變量的一階滯后項(xiàng)，即2019年7月及之后的RPI增速數(shù)據(jù)采用由MI-DAS-AR(1)模型預(yù)測(cè)得到的估計(jì)值。采用MIDAS-AR(1)模型及AR(1)模型在測(cè)試集上的MSE如表5所示。其中，AR(1)模型采用動(dòng)態(tài)預(yù)測(cè)方法預(yù)測(cè)，模型預(yù)測(cè)效果仍采用模型預(yù)測(cè)的均方誤差MSE衡量。表5列出了采用調(diào)整h值的MIDAS-AR(1)模型與AR(1)模型在測(cè)試集上進(jìn)行動(dòng)態(tài)預(yù)測(cè)的均方誤差。由表5可知，對(duì)測(cè)試集預(yù)測(cè)2個(gè)季度、4個(gè)季度和6個(gè)季度的情況下，其動(dòng)態(tài)預(yù)測(cè)的均方誤差小于AR(1)模型，說(shuō)明構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對(duì)地區(qū)RPI變動(dòng)具有一定的預(yù)測(cè)能力，得出構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對(duì)地區(qū)RPI變動(dòng)具有一定影響的結(jié)論。

（三）重點(diǎn)關(guān)鍵詞討論

基于上述分析，可以發(fā)現(xiàn)：第一，構(gòu)造日度網(wǎng)絡(luò)搜索指數(shù)的四個(gè)關(guān)鍵詞中，“油價(jià)”“利率”可以看作是由于居民對(duì)經(jīng)濟(jì)金融環(huán)境的關(guān)注而產(chǎn)生的搜索行為。經(jīng)濟(jì)金融環(huán)境和居民的生活息息相關(guān)。一方面，油價(jià)的變動(dòng)會(huì)提升居民對(duì)于“油價(jià)”的關(guān)注度，居民關(guān)注度的提升對(duì)于油價(jià)下跌更加敏感。另一方面，受經(jīng)濟(jì)金融環(huán)境波動(dòng)影響，居民在調(diào)整自身的消費(fèi)投資行為、形成利率預(yù)期時(shí)會(huì)提升對(duì)“利率”的關(guān)注度。這些關(guān)鍵詞關(guān)注度的提升是經(jīng)濟(jì)金融環(huán)境變動(dòng)的一種體現(xiàn)，且居民進(jìn)行關(guān)鍵詞的搜索行為通常是即時(shí)的。另外，經(jīng)濟(jì)金融環(huán)境的變動(dòng)會(huì)對(duì)RPI產(chǎn)生影響。例如，油價(jià)下跌可能帶來(lái)的通縮壓力、由于經(jīng)濟(jì)金融環(huán)境變動(dòng)導(dǎo)致的居民消費(fèi)投資行為變化等。在RPI發(fā)布前，居民的搜索行為對(duì)RPI可能具有一定的先行性。從時(shí)差相關(guān)系數(shù)來(lái)看，在研究的時(shí)間范圍內(nèi)，伴隨著對(duì)“油價(jià)”“利率”關(guān)注度的提升，會(huì)導(dǎo)致地區(qū)RPI短期下降。第二，“棉花價(jià)格”“糧食價(jià)格”可以看作是居民對(duì)商品的關(guān)注。糧食作物價(jià)格變動(dòng)會(huì)引起生產(chǎn)者和消費(fèi)者的關(guān)注度提升。在研究的時(shí)間范圍內(nèi)，伴隨著對(duì)“棉花價(jià)格”“糧食價(jià)格”關(guān)注度的提升，會(huì)引起地區(qū)RPI反向變動(dòng)。第三，在研究的時(shí)間范圍內(nèi)，表1的關(guān)鍵詞中，除了用來(lái)構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)的四個(gè)關(guān)鍵詞外，還有“就業(yè)”“蔬菜價(jià)格”這些關(guān)鍵詞的關(guān)注度與地區(qū)RPI變動(dòng)的時(shí)差相關(guān)系數(shù)在0.4-0.5之間，且具有一定的先行性。其中，“就業(yè)”可以看作是居民對(duì)民生熱詞關(guān)注度的體現(xiàn)，當(dāng)居民感受到就業(yè)壓力時(shí)，對(duì)該關(guān)鍵詞的關(guān)注度會(huì)提升。時(shí)差相關(guān)系數(shù)顯示，對(duì)“就業(yè)”關(guān)鍵詞關(guān)注度的提升對(duì)河北省RPI變動(dòng)具有先行性，具體影響體現(xiàn)為負(fù)相關(guān)。第四，“雞蛋價(jià)格”“股票”“基金”關(guān)鍵詞的關(guān)注度與地區(qū)RPI變動(dòng)的時(shí)差相關(guān)系數(shù)具有滯后性。其中，“股票”“基金”關(guān)鍵詞的關(guān)注度的時(shí)差相關(guān)系數(shù)在0.5以上，且RPI變動(dòng)與對(duì)該關(guān)鍵詞的關(guān)注度變動(dòng)是反向的。

五、結(jié)論與政策啟示

本文實(shí)證結(jié)果表明：基于構(gòu)建的網(wǎng)絡(luò)搜索指數(shù)建立混頻數(shù)據(jù)模型，有助于地區(qū)RPI的預(yù)測(cè)。居民對(duì)經(jīng)濟(jì)金融環(huán)境類關(guān)鍵詞的關(guān)注度對(duì)河北省RPI變動(dòng)具有一定的先行性，具體體現(xiàn)為當(dāng)居民對(duì)相關(guān)關(guān)鍵詞的關(guān)注度提升，與短期RPI的下跌有較強(qiáng)的相關(guān)性。部分商品的關(guān)注度也存在先行性和相關(guān)性，但時(shí)差相關(guān)系數(shù)相比經(jīng)濟(jì)金融環(huán)境類關(guān)鍵詞稍小。基于時(shí)差相關(guān)系數(shù)較大的關(guān)鍵詞構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)，在靜態(tài)預(yù)測(cè)方面，采用混頻數(shù)據(jù)模型的預(yù)測(cè)精度均優(yōu)于對(duì)應(yīng)的同頻ADL模型。通過(guò)調(diào)整MIDAS-AR(1)模型的h值，可基于混頻數(shù)據(jù)模型對(duì)地區(qū)RPI增速進(jìn)行動(dòng)態(tài)預(yù)測(cè)，且均方誤差小于AR(1)模型動(dòng)態(tài)預(yù)測(cè)的均方誤差，這說(shuō)明構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對(duì)地區(qū)RPI變動(dòng)具有預(yù)測(cè)能力。基于上述結(jié)論，本文可得出以下啟示：1.應(yīng)關(guān)注居民由于經(jīng)濟(jì)金融環(huán)境變化產(chǎn)生的關(guān)鍵詞搜索行為。相關(guān)關(guān)鍵詞的關(guān)注度可能凝結(jié)了引起RPI變動(dòng)的因素，且具有一定的即時(shí)性。在實(shí)際應(yīng)用中，與RPI增速相關(guān)性較強(qiáng)的關(guān)鍵詞通常也處于動(dòng)態(tài)變化的過(guò)程中。因此，需要根據(jù)實(shí)際情況不斷更新網(wǎng)絡(luò)搜索關(guān)鍵詞詞庫(kù)和關(guān)鍵詞篩選方法，在實(shí)踐中找到對(duì)RPI增速有持續(xù)性影響的關(guān)鍵詞，使關(guān)鍵詞詞庫(kù)形成體系，更好地應(yīng)用相關(guān)預(yù)測(cè)方法。2.在對(duì)宏觀經(jīng)濟(jì)進(jìn)行監(jiān)控和預(yù)測(cè)時(shí)，應(yīng)有效利用網(wǎng)絡(luò)海量即時(shí)數(shù)據(jù)。網(wǎng)絡(luò)搜索數(shù)據(jù)和搜索引擎中的關(guān)鍵詞熱度等數(shù)據(jù)蘊(yùn)藏了能夠反映經(jīng)濟(jì)社會(huì)變化的關(guān)鍵信息。近年來(lái)，我國(guó)不斷出臺(tái)相關(guān)政策，積極推動(dòng)云計(jì)算等互聯(lián)網(wǎng)信息技術(shù)與大數(shù)據(jù)的融合發(fā)展，鼓勵(lì)其在金融、工業(yè)等領(lǐng)域的應(yīng)用。應(yīng)當(dāng)積極關(guān)注網(wǎng)絡(luò)搜索數(shù)據(jù)中反映社會(huì)關(guān)注度的信號(hào)，更好地提取并利用這些關(guān)鍵信息。3.混頻數(shù)據(jù)模型可被應(yīng)用于區(qū)域RPI增速的預(yù)測(cè)中。利用高頻數(shù)據(jù)預(yù)測(cè)低頻數(shù)據(jù)有利于保留網(wǎng)絡(luò)大數(shù)據(jù)原始頻率，為RPI預(yù)測(cè)提供了新的思路和方法。混頻數(shù)據(jù)模型在地區(qū)宏觀經(jīng)濟(jì)預(yù)測(cè)中具有適用性。今后，在RPI的預(yù)測(cè)中應(yīng)充分利用高頻數(shù)據(jù)和混頻數(shù)據(jù)模型，并結(jié)合實(shí)際不斷完善該模型，在經(jīng)濟(jì)指標(biāo)的監(jiān)測(cè)中注意吸收新技術(shù)、新理論。

作者：王文勝 常曉穎