关系指数模型范文

关系指数模型范文（精选10篇）

关系指数模型 第1篇

一、指标的选择与处理

1、股票市场变动的度量

上证综合指数的编制以上海证券交易所的所有上市股票为样本,由上海证券交易所编制,在总体上可以反映整个股票市场的变动情况。 在我国股票市场中,上证指数和深证指数的变动具有同步性和联动性,所以可以用上证指数的变动来代表整个股票市场的变动情况。 本文选取上证指数每月最后一个交易日的收盘价参与分析( 用szzs表示) 。 本文选取2005年1月至2014年8月共计116个月度数据进行分析。

2、宏观经济变量

本文所选取的经济指标有广义货币供应量( M2) 、消费者物价指数( CPI) 、贸易进出口额( JCK) 、固定资产投资完成额( TZ) 、社会消费品零售总额( XF) ,均为全国性的月度数据。 本文不采用GDP作为变量,因为只有季度或年度数据样本量小,且与上述的宏观经济变量存在较强的相关性,故暂不采用。

3、数据处理

( 1) 季节性变动的处理: 由图1可知,贸易进出口额( JCK)、固定资产投资完成额( TZ)、消费者物价指数( CPI) 、社会消费品零售总额( XF) 这些变量有季节性因素,本文的季节调整方法用到移动平均方法,调整后的变量名加后缀sa。

( 2) 序列不平稳的处理: 对进过季节调整的变量取对数后一阶差分,具有良好的经济意义,表示变量的变化率,对研究具有现实意义。 处理后的变量名加前缀dlg。

( 3) 单位根检验:由表1,可知对于经过季节性处理后的序列进行差分,序列变得平稳,上文对数据的处理是恰当的。

二、模型简介

传统的计量经济方法需要建立在经济理论基础上,要求对变量之间关系有相对严格的说明,当变量之间存在动态关系时比较复杂。 Sims在1980年提出的向量自回归模型( VAR) 作为一种非结构化的动态模型。 为了考虑上证指数与所选的宏观经济变量之间的动态关系,而这种关系之间的内生外生性暂无法精确确定,使用VAR模型比较适合。 VAR模型是将自回归的想法用于多变量情况,所有解释变量均为各变量的滞后项,通过将不同的滞后项纳入其他变量的方程,来体现变量间的相互关系。

三、建立模型

1、变量间的相关分析

求出上证指数( szzs) 对数序列与上述5个经济变量对数序列之间的相关系数矩阵( 表2) 。 可见上证指数与其余5个宏观经济变量之间都存在一定的相关关系,其中进出口额的相关性最为明显。

2、建立VAR模型

对于变量本文运用的分析方法是基于VAR模型,脉冲响应函数、格兰杰因果关系检验。依据LR和AIC准则, 选择4阶作为滞后阶数。

( 1) 格兰杰因果检验

选取消费者物价指数、进出口额、广义货币供应量、固定资产完成额及社会消费品零售总额对上证指数,做双变量的格兰杰因果检验( 表3) 。 在0.05的置信水平下,广义货币供应量是上证指数的格兰杰原因;上证指数是cpi、进出口总额和固定资产投资完成额的格兰杰原因。 同时也表明, 上证指数可以反映cpi、进出口总额和固定资产投资完成额等宏观经济变量的涨落,有经济晴雨表的功能。

( 2) 脉冲响应

分析当系统( 上证指数) 受到外部冲击后系统序列的变动路径,描述在随机误差项施加一个标准差大小的冲击后对内生变量的当期值和未来值带来的影响。

上证指数对于广义货币供应量( M2) 冲击的响应:

正向的M2冲击,如扩张性的货币政策,使得上证指数在第2期上升,表现为促进作用,而后逐渐收敛,到第10期之后几乎没有影响,见图2。

上证指数对于进出口额( jck) 冲击的响应:

负向的外贸冲击,我国面临更不利的外贸形势,上证指数在1—2期迅速下降,而后缓慢回升,逐渐收敛在第8期之后影响基本消失,见图3。

上证指数对固定资产投资完成额( TZ) 冲击的响应:

当有正向投资冲击情况下,第1期上证指数有稍微上升,随后下降,但总体影响不大,很快就收敛到0,见图4。

上证指数对消费者物价指数( cpi) 冲击的响应:

当有一个cpi冲击,物价上涨,上证指数略微下降,在第5期后波动增大,最后趋于稳定收敛,见图5。

上证指数对社会消费品零售总额( XF) 冲击的响应:

当有一个消费冲击,上证指数略微下降,总体来看没有太大影响,最后趋于稳定收敛。

(3)方差分解

对模型结果进行方差分解( 表4) ,不考虑上证指数自身的贡献率,贸易进出口额( JCK) 对上证指数的贡献率最大,2期达到了4%,第5期之后上升到7%以上;其次是广义货币供应( M2)对上证指数的贡献率在2期达到了2.44%, 在第6期之后接近3%;CPI对上证指数的贡献率是逐步增加的,10期达到了1.46%,投资对上证指数的贡献率最低。

四、总结

以上实证模型说明从2005年1月到2014年8月之间中国股票市场与宏观经济的关联,其中包括:CPI与上证指数之间的关系表明在中国通胀下无牛市的经济现象;进出口与上证指数之间关系不够明显,主要是因为中国的外汇都用来储备,支出渠道过于受到限制;M2与上证指数的关系说明了货币政策的实施可以对股票市场起到一定积极的作用。

上证指数与CPI有着双向较弱的因果关系,由于外部变量的冲击作用,CPI对上证指数的冲击具有反向作用, 上证指数对CPI的冲击具有正向作用,即存在高通胀无牛市、牛市中伴随着高通胀的经济现象。 中央银行调节货币供应量( 本文以M2为指标) ,货币供应量增大,流向股票市场的货币增多,股价指数上涨。 股价指数上涨到一定程度,出现经济过热,会促使央行实行紧缩的货币政策以来抑制资本市场的虚假繁荣。 固定资产投资完成额与上证指数没有显著的格兰杰因果关系,固定资产投资完成额对上证指数的变化没有多大影响。 社会消费品零售总额的增加会抑制上证指数的上涨,而上证指数的变化对社会消费品零售总额的影响呈波动状态。

摘要：文章利用Eviews统计软件对2005年1月至2014年8月我国上证指数与广义货币供应量、贸易进出口额、固定资产投资完成额、CPI等宏观经济变量进行VAR建模,从而探讨宏观经济与我国股市之间的关系。通过分析认为,CPI与上证指数之间的关系表明在中国通胀下无牛市的经济现象;进出口与上证指数之间关系不够明显,M2与上证指数的关系说明了货币政策的实施可以对股票市场起到一定积极的作用。

关键词：VAR模型,上证指数,M2,CPI

参考文献

[1]胡丽琴:金融时间序列分析实验教程[M].武汉大学出版社,2012.

[2]任晓靖:中国股市指数与宏观经济运行关系实证研究[D].首都经济贸易大学,2008.

[3]张培源:中国股票市场与宏观经济相关性研究[D].中共中央党校,2013.

关系指数模型 第2篇

摘 要：工资指导线是在社会主义市场经济体制下，政府宏观调控工资总量，调节工资分配关系，规划工资水平增长，指导企业工资分配所采用的一种制度。所以准确预测并建立劳动力市场工资指导价位就显得愈加重要，将有利于政府劳动工资管理部门转变职能，由直接的行政管理，转为充分利用劳动力市场价格信号指导企业合理进行工资分配。本文将采用二次指数平滑模型预测山东省职工年平均工资的增长趋势，制定合理的工资增长基准线。

关键词：二次指数平滑;平均工资;预测模型

科学合理的经济预测是决策科学化的工具，准确预测工资增长趋势与工资水平，对于政府行政部门制定合理的工资指导线，维持社会稳定，促进经济发展，具有重要的作用。

一、合理预测工资增长的意义

“工资对于维持工人生存和延续后代，维持劳动力再生产具有重要的作用，这样决定的工资就叫做最低工资。”这是马克思对资本主义制度下最低工资的表述，资本主义最低工资就是简单劳动力价格。一般而言，最低工资就是工人维持生存和延续后代费用的价格，其构成包括：维持工人自身生存所必需的生活资料费用;延续工人后代所必需的生活资料费用;一定的教育和训练费用。

工资指导线是在社会主义市场经济体制下，政府宏观调控工资总量，调节工资分配关系，规划工资增长水平，指导企业工资分配所采用的一种制度。目的在于引导城镇各类企业在发展生产、提高效益的基础上适度增加工资，为企业集体协商谈判确定工资水平提供依据;使企业的工资微观决策与政府的宏观调控政策保持协调统一，以达到政府稳定物价、促进经济增长、实现充分就业及提高职工生活水平的目标。

因此，劳动保障行政部门要按照国家统一规范和制度要求，依据劳动力市场工资指导价位制度，定期对各类企业中不同职业（工种）的工资水平进行调查、分析、汇总、加工，形成各类职业（工种）的工资价位，向社会发布，用以指导企业合理确定职工工资水平和工资关系，调节劳动力市场价格。

二、二次指数平滑模型的建立

因为职工工资等经济数据与社会发展水平、人口素质、物价水平等很多因素相互关联，用回归方程进行拟合难度很大，且容易存在多重共线，因此本文将采用二次指数平滑模型预测山东省职工年平均工资（数据来源：《山东统计年鉴2010》）的增长趋势，制定合理的工资增长基准线。

布朗提出的指数平滑法，是生产预测中常用的一种方法，他认为时间序列具有稳定性或规律性的发展态势，因此可以被合理地顺趋势推延，该方法也常用于中短期经济发展预测。它通过计算指数平滑值，任意一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均，最近的数据权重越大，越早的数据权重越小，再通过一定的时间序列模型，对未来进行预测。

根据历史数据散点图，如果时间序列的均值保持不变，即数据围绕一条水平线波动，称为平稳时间序列，用一次指数平滑预测;二次指数平滑（Double Exponential Smoothing）模型适用于有线性趋势，而无明显周期性，无明显季节性的时间序列。

二次指数平滑法有两个平滑常数α和β，分别用来平滑预测模型yt+k=at+btk中的两个预测系数at和bt：

at=α xt+（1- α ）（at-1+bt-1 ）

bt=β （at- at-1 ）+（1-β）bt-1

用二次指数平滑法对年平均工资进行预测，设初始的预测系数a1=x1，b1=x2-x1，α=0.5，β=0.6。经计算，年平均工资观测值和二次平滑模型预测值，散点图有着良好的拟合趋势。

三、结语

在实际运用中，平均工资只是工资增长指导的基准线，人力资源和社会保障部通常会一并下发上线（预警线）和下线。根据目前我国具体国情来看，工资增长的大原则是“限高、扩中、提低”，对于竞争性国有和国有控股企业（含国有相对控股企业），职工工资增长不得突破上线（预警线）;生产经营正常、经济效益增长的企业，应围绕基准线安排职工平均工资;生产经营困难、可能出现亏损的企业可按下线安排工资增长;企业支付提供正常劳动职工的工资不得低于当地最低工资标准。

所以准确预测并建立劳动力市场工资指导价位就显得愈加重要，将有利于政府劳动工资管理部门转变职能，由直接的行政管理，转为充分利用劳动力市场价格信号指导企业合理进行工资分配，将市场机制引入企业内部分配，为企业合理确定工资水平和各类人员工资关系，开展工资集体协商，提供重要依据。有利于促进劳动力市场形成合理的价格水平，为劳动力供求双方协商确定工资水平提供客观的市场参考标准，减少供求双方的盲目性，提高劳动者求职的成功率和劳动力市场运作的整体效率。有利于引导劳动力的合理、有序流动，调节地区、行业之间的就业结构，使劳动力价格机制与劳动力供求机制紧密结合，构建完整的劳动力市场体系。

参考文献：

[1]蒋绍忠.数据、模型与决策——基于Excel的建模和商务应用[M].北京：北京大学出版社，2010，280-282

[2]杨艳兵，郭春香，向莹.三次指数平滑法在年平均工资预测中的应用[J].漯河职业技术学院学报，2012，3：106-108

[3]童强，张克功，杜吉梁.指数平滑预测法及其在经济预测中的应用[J].经济研究导刊，2013，4：11

关系指数模型 第3篇

荷兰经济学家JanTibergen (1942) 最早提出了全要素生产率的概念, (Total Factor Productivity, 简称TFP) 。Rober Sollow (1957) 指出TFP等于技术带来的经济增长。1982年, Caves等人提出了用Malmquist指数计算TFP。

TFP可分解为技术效率变动指数TEC (Technological Efficiency Change) 和技术进步指数TC (Technological Change) , 即TFP=TEC×TC。若TFP大于1, 表示从t到 (t+1) 期TFP提高, 反之下降;TEC表示行业管理方法的优劣与管理层决策的正确与否, 当TEC>1, 表示管理方式与决策正确、得当;TEC<1管理方式与决策不当。此外, 如果TC>1, 代表技术进步;TC<1, 代表技术退步。技术效率变化指数还可以进一步分解为纯技术效率指数 (PTEC) (Pure Technology Efficiency Change) 和规模效率指数 (SCE) (Scale Efficiency Change) , 即TEC=PTEC×SCE。即TFP=PTEC×SCE×TC。

影响TFP的因素又有哪些呢?

首先外商投资的技术促进作用很早就被人们所认识。Braconier和Ekholm (2001) 指出越是投资在技术研发富裕的国家, 外商投资越是会得到更多的技术溢出。Thompson (2002) 发现低端、中端技术产业的技术外溢效果明显, 这取决于内、外资企业的技术差距。国内学者Zhang Q (2001) 以中国自动化产业为研究对象, 结果表明技术外溢往往发生在低、中端的生产技术中。

其次研发创新早就被认为是技术进步与生产率增长的重要源泉。研发创新系统自Freeman (1987) 提出以来, 便引起了学术界的高度重视。国内张海洋 (2005) 指出中国在创新人力和财力资源总量相对不足的情况下, 创新效率问题显得尤为重要。

本文的研究目的就是揭示中国物流业TFP与外商投资、研发创新之间的关系。

二、模型

(一) 建立Malmquist指数模型

1、建立模型:以2006-2012作为时间窗口, 30家中国物流企业为研究对象, 劳动力、资本、土地作为投入变量, 净资产收益作为产出变量, 建立Malmquist指数模型。

其中:

劳动力指标——中国物流企业工资总额。

资本指标——中国物流企业的总资产。

土地指标——中国物流企业占地总面积。

利用DEAP2.1软件建立Malmquist指数模型。

2、模型结果: (见表1)

3、模型结果分析:

2008、2009年的TFP分别为0.820, 0.974, 均小于1, 说明这两年生产率下降。2008年中国物流业生产率下降的原因是2008年1月22日国际金融危机大规模的爆发, 尤其进出口贸易受到了很大的冲击。2009年中国物流业以贯彻落实国务院《物流业调整和振兴规划》为契机, 实现了止跌企稳、加快回升的良好态势, TFP比2008年回升0.154点, 努力克服国际金融危机影响。

2007年的TFP等于1.011, 原因在于随着物流业改革开放的进一步加大, 引进了国外的先进技术, 物流需求进一步加大。

2010中国“十一五”规划纲要明确提出要大力发展现代物流业, 并将物流信息化列为重点建设工程。物流信息系统的重要性越来越受到中国物流企业的重视, 所以2010年的TFP等于1.012。

2011年的TFP等于1.106, 究其原因主要是受铁路运输业投资下降、公路、水路运输业投资明显放缓, 物流成本降低的原因。

2012年的TFP等于1.108, 主要是2012年1月6日颁布的《中国现代物流规划——中国中新物流信息平台》推动了中国的电子商务快速发展, 快递等与民生相关的物流发展势头良好, 物流需求缓中趋稳, 企业物流效率有所提升。

从2006到2012年, 中国物流企业6年平均技术效率指数为0.943, 平均纯技术效率指数为0.942, 规模效率指数为0.998, 均小于1, 说明中国物流企业存在8.8%的投入资源浪费, 仍有改进和提高的余地。中国物流企业技术效率不高的主要原因是规模效率不高和纯技术效率。中国物流企业6年平均技术进步指数1.067, 其大于1, 技术进步与创新是中国物流业生产率提升的主要原因, 但低水平的技术效率限制了生产率的提升幅度。

(二) 实证模型

本部分以代表中国物流业发展水平的TFP作为被解释变量, 解释变量分别为外商投资和研发创新, 由于制度变迁、基础建设、人力资本等, 也影响着物流业的发展, 因此选择其作为控制变量建立模型。根据此模型分析影响中国物流企业TFP的因素外商投资、研发创新等, 从中揭示其中的深刻关系。

被解释变量——TFP。

解释变量:

A——FDI, R&D。

X——FGYH, SCH, INF, HUMAN。

t——2006, 2007, 2008, 2009, 2010, 2011, 2012。

其中:

FDI——外商投资, 采用中国三资物流企业总产值占中国物流总产值的比重。

R&D——研发创新, 采用中国人均科技活动经费内部支出总额。

引入两个变量对制度变迁进行描述:非国有化程度与市场化程度。

FGYH——非国有化程度, 且FGYH=1- (国有控股总产值/总产值) 。

SCH——市场化程度, 且SCH=1- (政府财政收入/GDP) 。

INF——基础建设, 采用中国公路、铁路、水路营业里程之和, 反映中国交通基础设施。

HUMAN——人力资本, 采用人力资本存量刻画人力资本变量。

对 (1) 式各变量均取对数, 目的是为了避免可能存在的异方差。通过检验可以发现, 各变量是非平稳的, 一阶差分是平稳的, (1) 式各变量进行差分处理, 得到 (2) 式:

本模型采用软件Eviews 6.0, 实证结果:

2、模型结果: (见表2)

3、模型结果分析:

由表2可以看出, 外商投资对TFP的影响系数是0.247891, 也就是说外商投资对中国物流业的发展技术溢出效应日益凸显。同时研发创新对TFP的影响系数是0.358172, 且大于外商投资的影响系数, 说明中国物流企业在引进外资的同时, 应加大自主研发的力度, 提高创新的效率。

控制变量中制度变迁的非国有化变量的影响系数是0.0736273, 说明中国物流企业必须从国有制转化为私有制, 做到产权明晰, 防止国有资产的流失, 才能提高TFP。市场化的影响系数为0.1224218, 即市场化改革减少了政府干预。人力资源的影响系数是0.021564, 主要是劳动者受教育的水平的提高, 有助于增强本国技术的吸收, 从而间接地促进了经济增长。值得注意的是基础设施的影响系数为-0.134312, 基础设施建设并没有带来有效的技术进步, 一方面说明落后的基础建设已经严重地制约了经济的发展, 另一方面也可能是用于基础建设的投资需要在若干年后才能发挥其作用。

三、结论

中国的物流技术的发展趋势应呈现先进化、信息化、多样化、专业化、标准化、模块化、系统化、可扩展性、人性化、智能化、绿色化与节能化。因此引进国外先进物流技术的同时, 应提高中国物流技术自主研发的能力, 具体体现在以下几个方面。

(一) 提高物流各功能环节的技术水平。

物流技术系统是由物流各功能环节的相关技术构成, 所以要提高整个物流技术的水平, 首当其冲应提高物流各功能环节的技术水平, 加强此方面的自主研发能力。

(二) 重点完善物流信息技术系统。

目前, 中国物流企业尤其在信息技术方面, 而信息技术是现代物流企业的核心, 是把物流各环节相关技术组合在一起形成物流技术系统的重要工具, 是提高物流服务质量、降低物流成本的根本保障。

(三) 实现物流信息技术和物流装备技术的无缝对接。

物流信息技术只有与物流技术装备紧密结合, 才能实现物流的自动化、智能化。因此, 中国物流装备的制造商和供应商不仅要提供硬件设备, 还应提供软件设备。以便及时地改进、修正物流计划、物流作业程序、提高物流管理效率。

综上所述, 中国物流业要保证持续、快速、高效地发展, 物流企业应优化资源配置、改善投资环境、加快从粗放型经济向集约型经济的转型。最大限度地利用外商投资的技术溢出效应和其它的前沿技术, 结合中国的实际情况, 研发创新应从引进技术的模仿、学习阶段, 快速过渡到自主研发、以创新驱动核心技术的阶段, 形成高新技术物流产业。把各个环节的物流技术作为一个系统, 通盘考虑各种物流技术相互衔接与配套, 形成无缝对接, 注重整体性能, 同时应重点发展物流信息技术。

摘要：本文以2006-2012年为时间窗口, 30家中国物流企业作为研究对象, 劳动力、资本、土地作为投入变量, 净资产收益作为产出变量, 建立了Malmquist指数模型, 得出这6年的全要素生产率和全要素生产率分解为技术进步指数、规模效率指数和纯技术效率指数的数据。然后在此模型的基础上, 分析了影响全要素生产率变动的两个重要因素, 即外商投资与研发创新。同时建立了以全要素生产率作为被解释变量, 外商投资和研发创新作为解释变量, 制度变迁、基础设施和人力资源作为控制变量的实证模型。根据模型分析了全要素生产率与外商投资、研发创新的关系。最后提出了发展中国物流业的具体建议。

关键词：全要素生产率,外商投资,研发创新,Malmquist指数

参考文献

[1]Solow R W.Technical changed and the aggregate production function[J].Review of Economics of Statistics, 1957 (3) :312-320.

[2]曲建军.全要素生产率研究综述.经济师, 2007 (1) :76-77.

[3]庄玉良, 吴会娟, 贺超.中国物流业效率动态变化的Malmquist指数研究[J].统计与决策, 2009 (5) :21-23.

[4]Chames A., Cooper W.W., Rhode E.Measuring the efficiency of Decision Making Unite European[J].Journal of Operational Research, 1978 (2) :429-444.

[5]Duguet, E., Innovation Height, Spillovers and TEP Growth at the Firm Level:Evidence from French Manufacturing[J].Economics of Innovation and New Technology, 2006 (15) :415-442.

[6]Jakob, M..Technology Spillover Through Trade and TFPConvergence:135 Years of Evidence for the OPEC Countries[J].Journal of International Economics, 2007 (12) :464-480.

[7]Hu G, Jefferson G H.A great wall of patents:What is behind China’s recent patent explosion?[J].Journal of Development Economics, 2009, 90 (1) :57-68.

[8]Subramaniam M, Youndt M.The Influence of Intellectual Capital on the Types of Innovative Capabilities[J].A cademy of Management Journal, 2005, 48 (3) :450-463.

[9]Wang EC, Huang W.Relative efficiency of R&D activities:Across-country study accounting for environment factors in the DEA approach[J].Research Policy.2007, 36 (2) :260-273

[10]谢菲, 尹宗成.制度变迁与全要素生产率--基于2000-2008年省际面板数据的实证分析[J].技术经济, 2011 (3) :91-95.

[11]刘秉镰, 刘勇.区域特征对TFP的影响--以中国为例[J].河北大学学报2006 (3) :19-23.

关系指数模型 第4篇

【关键词】 波罗的海干散货运价指数（BDI）；GARCH模型；静态预测

1985年，波罗的海航运交易所发布日运价指数（BFI）。该指数是由若干条传统的干散货船航线的运价按照一定的权重构成的综合性指数。1999年9月1日，波罗的海交易所发布了波罗的海巴拿马型指数（BPI）和波罗的海海岬型指数（BCI）。同年11月1日，在BCI，BPI和波罗的海大灵便型指数（BHI）等三大船型运价指数的基础上发布了波罗的海干散货运价指数（BDI），取代了BFI，成为了国际干散货运输市场走势的晴雨表。

1 国际干散货运输市场运价走势

21世纪初，我国的经济建设带动了原材料的需求增长，推动了干散货运输市场的繁荣发展。2003年，BDI低于点，而到了2004年，该指数翻了一番，达到点以上。我国对全球初级原材料的旺盛需求，推动了国际干散货海上运输价格上涨。海运价格与大宗原料价格具有相似的变化趋势。

干散货运输市场的转折点出现在2008年。在2008年之前，国际干散货运输市场形势良好，BDI曾经突破点。2008年5月7日至2008年6月12日的1个多月内，BDI均保持在点之上；5月20日，BDI达到历史最高点，为点。然而，到了下半年BDI连跌不止，于年底跌至700点左右。造成运价下跌的主要原因是运力过剩。2007年美国发生了次贷危机，之后演变成为全球金融危机，导致全球经济衰退，运输需求减少。

宏观经济的突变对干散货航运市场造成了长远的影响，使货源与运力之间的不平衡现象长期存在。2009年至2010年，国际干散货运输市场缺乏货源，运价始终处于较低水平。得益于铁矿石和煤炭货种的带动，干散货航运市场整体恢复情况较好，BDI基本保持在点以上，部分航运企业依旧盈利。2009年，BDI均值点，同比降低了59%；2010年，BDI止跌企稳，均值为点，同比上涨了5.4%。

2011年，欧债危机爆发，各国经济衰退。2011年，BDI均值跌至点；2012年，BDI均值为920点。在国际干散货运输市场中，众多航运企业巨额亏损，在干散货货运量以及货运周转量方面出现了大幅的减少。

国际干散货运输市场低迷的原因主要在于市场运力供给过剩。在干散货运输市场繁荣时，航运企业过于乐观地预估市场，通过购买新船或者租入二手船来扩大船队规模，赚取更多利润。但是，由于航运市场突变，货源大幅减少，航运企业扩张运力的决策加剧了供需失衡。伴随着干散货运价的下跌，租船费率也随之下跌，但航运企业仍需要按在租船合同签订时约定的高额费率支付租金，以目前的运价根本无法承受如此高的成本，这进一步加重了航运企业的损失。

2013年，BDI总体较上年同期有所回升，均值为点，同比增长31%。以BDI计算，新船投入运营的盈亏平衡点在～点，旧船盈亏平衡点约为点，平均盈亏平衡点在点左右。可见，2013年大部分干散货航运企业仍旧入不敷出。

2 BDI日收益率序列的GARCH 模型建立

2.1 方 法

广义自回归条件异方差模型（GARCH模型）通常用于对回归和自回归模型的随机扰动项进行建模。该模型对误差的方差进行了进一步的建模，尤其适用于波动性的分析和预测。因此，本文利用GARCH模型对BDI进行分析。

2.2 数据的选取和处理

选取2008年9月22日至2012年9月25日的BDI交易日数据，共计个，作为建立模型的样本；以2012年9月26日至2013年2月20日的数据为样本外数据，共计100个，用于预测（数据来源：克拉克森航运咨询网）。

对BDI序列进行自然对数处理，BDI对数序列的基本统计分析结果见表1。

2.3 平稳性及自相关性检验

2.4 异方差检验及GARCH模型建立

利用拉格朗日乘子检验残差序列是否存在ARCH效应。ARCH检验的第2行是obs*R-squared值（LM统计量）以及检验的相伴概率（见图2）；在落后期数q=10的情况下，LM统计量为（P=0.000），小于显著性水平0.01，可以在至少99%的置信水平下拒绝原假设。由此说明，残差不仅存在ARCH效应，而且存在高阶ARCH效应。因此，利用GARCH模型对残差序列建模，提取残差中的信息，使模型残差项成为白噪声。

对残差 t 是否服从正态分布进行检验，基本检验结果见表3。

在表3中：残差分布峰度值大于3，具有尖峰厚尾特征；JB统计量达到，P值为0.000，小于0.1，显示残差分布不服从正态分布。因此，分别建立残差 t基于正态分布和t分布的GARCH模型，并比较在不同分布下模型的优劣。[1]

综合运用AIC准则（赤池信息量准则）和SC准则（施瓦兹准则），在滞后项不超过2的情况下逐个检验，选择AIC和SC数值最小的GARCH（1，1）模型（见表4）。利用GARCH（1，1）模型对BDI收益率序列的残差序列进行建模。

以正态分布和t分布为基础分布的GARCH（1，1）模型均满足宽平稳条件。由GARCH（1，1）模型估计结果可以看出，在正态分布中，a（B） + （B）=0.357 569 + 0.415 721<1；在t分布中a （B） + （B）=0.448 967 + 0.511 666<1。参数全部通过显著性检验，标准化残差及其平方项的Ljung-Box统计量均不显著，说明残差序列不存在自相关性，GARCH效应已经消除。比较在不同分布下模型的优劣，t分布具有更小的AIC值和更大的ln L值（对数似然比），说明t分布比正态分布更能反映BDI收益率序列的尖峰厚尾性；在t分布GARCH（1，1）模型中，a（B） + （B）非常接近于1，说明BDI具有波动集聚效应，波动的持续时间较长。

3 预测误差比较

以2012年9月26日至2013年2月20日的数据为样本外数据，通过样本内数据所建立的AR（2）-GARCH（1，1）模型，对样本外数据进行静态预测。静态预测中的被解释变量总是采用滞后变量的实际值而不是预测值来计算向前一步的结果。本文使用平均误差百分比（MAPE）作为误差衡量标准，MAPE的计算公式为

在不同分布下，模型的预测误差均小于2%（见表6），说明各种预测方法的误差都很小。样本外预测误差大于样本内预测，这是由于样本外预测的参数来自于样本内而导致的结果。不论样本内外，在t分布的假设下，模型的预测误差都更小。

4 结 语

实证结果表明，BDI是可以预测的。BDI的形成受即期滞后变量的影响较大，而BDI收益率序列具有高阶ARCH效应，基于t分布的GARCH模型能够更好地消除残差序列的异方差性，且体现出明显的波动集聚效应。基于不同分布的GARCH模型对波罗的海干散货运价指数的静态预测误差都小于2%，说明短期预测效果很好。

参考文献：

风电功率预测误差分段指数分布模型 第5篇

风电具有清洁、经济、可再生的优点, 其发展规模不断扩大, 但由于风电的随机性、间歇性、不可调度性和部分可预测性, 使得大规模风电并网给电网调度运行带来严峻的挑战。风电预测对电网的安全经济运行尤为重要, 但目前风电功率的预测精度较低, 受预测时间尺度的影响, 其预测误差主要来源于数值天气预报 (NWP) 风速预报误差、功率输出模型、预测方法等。风电不确定性的存在对整个电网运行产生很大的影响, 包括对系统旋转备用容量的配置[1,2,3]、输电能力、调峰深度及调峰电源的配置、调频等提出更高的要求[4]。风电的预测误差分析是为计及大规模风电接入的电力系统优化调度做准备, 不确定性信息的描述越准确, 越有助于提高系统运行的安全性和经济性[5]。

国外关于风电功率预测误差分布的研究开展较早, 提出了正态分布、贝塔分布、柯西分布以及拉普拉斯分布等几种传统的经验分布模型。不同误差分布模型具有各自的特点和最佳适用范围。

正态分布假设应用最早且最为广泛[6,7,8]。对大规模风电场群而言, 当预测时间尺度较长时, 受中心极限定理影响, 风电功率预测误差将趋向于正态分布。但正态分布的峰度是固定的, 随着研究深入和大量统计分析发现, 虽然风速预测误差接近于高斯分布, 但由于功率曲线呈现非线性特性, 导致风电功率预测误差不服从高斯分布, 而是具有一定的偏度, 置信区间关于预测点并不对称。文献[9]指出基于风电功率预测误差服从正态分布的假设, 会使优化问题的目标函数求微分后存在不可解析的微分项。

基于贝塔分布的误差模型具有形状灵活、峰度可变的优势。文献[10-11]采用基于贝塔分布的误差模型表征风电功率预测误差分布;文献[12]在文献[10-11]的基础上针对每个预测功率水平区间均值和标准差提出多项式数学关系取代原来的线性关系, 以改进模型。基于贝塔分布的误差模型尽管具有很多优势, 但其应用存在障碍:首先, 其求解过程非常复杂;其次, 文献[13]指出在某些预测功率区间上这种误差模型会出现误差概率密度无穷大的异常, 因而在一定程度上降低了精度。柯西分布和拉普拉斯分布都是对称性分布, 适用于描述预测时间尺度1h以内的对称风电功率预测误差分布, 形状不够灵活, 适用范围较固定[13,14]。

当然由于风电场规模及预测方法的不同, 可能误差分布比较模糊, 或有一定的偏度, 误差模型的选择应根据实际情况选择最能准确描述该研究对象风电功率误差的分布模型。

本文的宗旨是提出一种可供选择的新的适应性和适用性较强的误差分布模型, 希望该模型具备较为灵活的形状, 以便描述非对称误差分布, 同时还要形式简单, 便于微积分运算, 适用于工程应用。

1 传统风电功率预测误差分布模型

上述几种传统的风电功率预测误差分布模型中, 正态分布、柯西分布和拉普拉斯分布是对称分布, 贝塔分布误差模型可以处理不同峰度和偏度, 是一种加权合成分布[12,13], 也是当前风电功率误差研究的热点。传统误差模型分布函数见附录A。4种传统误差模型分布曲线如图1所示。

对称误差分布模型描述研究对象的误差分布, 在保证一定精度的前提下, 其适用范围有限。因为多数风电场的规模不太大, 误差分布可能兼具多种分布的分布特征。当误差分布不对称时, 即使采用更好的参数估计方法, 采用正态分布、柯西分布和拉普拉斯分布拟合后仍会有较大的偏差, 因而不能更准确地描述实际误差分布。

本文提出的分段指数分布和贝塔分布误差模型均可以处理不对称分布。但后者求解复杂, 且在合成过程中在某些研究区间上有时会出现概率密度异常, 数据处理过程中需要将该区间的风电功率预测误差信息忽略, 以保证能够求出最终的误差分布。这样造成的信息缺失, 在一定程度上会影响贝塔误差分布模型的描述精度。

2 分段指数误差分布模型

希望提出一种形状更灵活、峰度可变、求解方便且适用范围较广的误差分布模型。要求新模型能更多地挖掘实际误差分布的相关信息, 且误差模型的形状能随实际误差分布的形状改变而改变, 因而可应用于描述大部分研究对象的风电功率误差分布。

分段指数误差分布模型是两段指数分布的合成, 有两个形状参数, 且两段指数分布的形状参数分段估计, 因此, 分段指数分布与传统误差分布模型相比, 更加灵活可变。

2.1 分段指数模型分布函数

假设分段指数分布的概率密度函数为:

式 (1) 应当满足: (1) 在负无穷到正无穷上的积分为1; (2) 在两段指数分布的结合点x=μ0处, 两段分布的概率密度函数值相等。因此, 分段指数分布概率密度函数为:

式中:x= (Pforecast-Pactual) /Pcap, 为标准化的风电功率预测误差, 其中Pforecast为风电场风电功率预测值, Pactual为风电功率实测值, Pcap为风电装机容量;b1和b2为待估形状参数, 决定曲线的形状;μ0为两段指数分布的结合点, 即当相对误差为μ0时两段指数分布汇合, μ0取实际概率密度序列最大概率密度点对应的标准化误差值。

当b1=b2=b时, 该分布就是拉普拉斯分布, 所以拉普拉斯分布是分段指数分布的一个特例。分段指数分布概率密度函数的详细推导参见附录B。

根据分段指数分布概率密度函数 (式 (2) ) , 推导出分段指数分布模型的累积概率分布函数:

2.2 分段指数分布的特点

分段指数风电预测误差分布模型由两段指数分布构成, 这种模型构成的特点是: (1) 两段指数分布的部分参数由两组相互独立的误差序列估计, 因而两段指数分布在形状上具有独立性; (2) 巧妙利用实际误差分布存在的“分水岭”概率密度分布的最大峰值, 确定两段分布的结合点。基于这样的构成特点, 新模型与传统模型相比峰度可变、形状灵活, 且求解简便。

3 最小二乘非线性回归参数估计

现有研究中正态分布误差模型的参数估计, 常用方法有经验法[15]和最大似然估计 (MLE) 法[16]两种。文献[13]关于拉普拉斯分布的参数估计较为粗略, 而粗略的估计会降低误差分布模型的精度, 因此, 这两种分布模型的精度都具有提升的空间。

本文将借助于MATLAB采用非线性回归最小二乘法估计分段指数分布模型和柯西分布模型的参数。最小二乘非线性回归参数估计函数为fnl, 参数估计式为:

式中:C为待估参数向量, 含有多个待估参数元素;r为残差;C0为待估参数向量初值;X和Y为原始数据;fun为所选择的误差分布模型概率密度函数。

利用fnl函数估计参数的原理是, 根据原始数据X和Y描点所得图形形状选择合适的模型fun, 其中模型的参数C未知, 给定参数初值C0, fnl函数将利用Levenberg-Marquardt算法[17,18]最小化模型与原始数据间的残差, 求出模型的参数。该算法同时具有梯度法和牛顿法的优点。

4 实例分析

算例取自爱尔兰国家电网公司 (EirGrid) 风电场2010年、2011年、2012年1月8月19日的风电功率预测与实测数据, 研究对象为从所有有效数据中选取各天某一相同时段的风电功率实测数据与预测数据进行分析。

4.1 数据处理

用于本算例的原始数据将进行两种处理。第1种处理是:将标准化后的误差X序列按区间长度0.008从小到大划分为79个区间, 这种处理后的数据用于估计相应正态分布、拉普拉斯分布、柯西分布和分段指数分布模型的参数;第2种处理是:将各预测风电功率和实测风电功率与装机容量进行比值标准化, 将标准化后预测风电功率序列按照区间长度0.018从小到大划分为53个区间, 这种处理后的数据用于估计贝塔分布误差模型。

用于模型参数估计的区间数目划分常根据经验确定, 区间长度过大会造成信息缺失, 不能反映误差分布的规律, 区间过小会造成信息冗余, 不能表现出一般规律, 导致误差模型的泛化性能下降。实际区间长度应根据数据规模, 结合经验选择, 根据经验区间数目应选择为50~100。

该算例将通过模型精度指标和曲线拟合图形效果对比各模型的优劣, 以论证分段指数误差分布模型在形状的灵活性及峰度可变性方面的优势。

4.2 参数估计

按照文献[15]的经验法和文献[16]的 (MLE) 法估计正态分布误差模型, 按照文献[13]的方法估计拉普拉斯分布模型参数。根据实际风电功率预测误差概率密度序列, 得到最大概率密度为8.283 9, 对应标准误差为0.036。然后, 按照非线性回归最小二乘法参数估计方法估计分段指数分布函数模型及柯西分布的参数, 按照文献[12-13]的方法求解贝塔分布误差模型参数。各误差分布模型的估计参数见表1。其中, NLR表示非线性回归最小二乘法;表中各模型的估计参数定义见附录A中各模型概率密度函数中的变量定义;各贝塔分布参数见附录C。

4.3 模型精度评价指标

常用模型精度评价指标有纵向误差指标和横向误差指标[19]。纵向误差主要描述模型在竖直方向与实际情况的差别, 往往用偏大或偏小概括;而横向误差则主要描述模型峰值的滞后与超前。绝对值平均误差 (eMAE) 和均方根误差 (eRMSE) 是两种常用的纵向误差指标, 前者是对模型误差平均幅值的评价, 指标值越小表明模型精度越高;后者用来衡量模型误差的分散程度, 指标值越小表明模型精度越高。横向误差指标也称相关系数 (ICC) , 用于描述数据间的相关程度, 指标值越大表明模型精度越高。

用Y1表示原始数据序列, y1i表示Y1中的一个元素, 用Y2表示由模型所得对应的数据序列, y2i表示Y2中与y1i对应的一个元素, 模型误差为:

各指标定义如下:

式中:n为数据序列的长度;COV () 为协方差;D为方差。

首先, 评价各模型对实际风电功率预测误差概率密度分布的拟合精度。Y1为统计的实际概率密度序列, Y2为误差模型相对应的概率密度函数值序列。经过计算, 各模型的精度指标值如表2所示。

然后, 评价各模型对实际风电功率预测误差累积概率分布的拟合精度。Y1为统计的实际累积概率序列, Y2为与模型相对应的概率分布函数值序列。则各模型的精度指标值如表3所示。

4.4 误差分布模型的图形拟合

根据实际误差序列X及对应的概率密度序列Y, 可以获得实际误差概率密度分布如图2所示。

由图2可以看出, 该算例实际误差分布的特点如下: (1) 正态分布的峰度为3, 拉普拉斯分布的峰度[12]为6, 因而该分布的峰度大约在3~6之间; (2) 该分布为不对称分布, 有一定的偏斜度, 采用对称的误差分布模型拟合会降低拟合精度。因此, 采用正态分布和拉普拉斯分布表示该误差分布, 将会与实际误差分布产生较大的偏离。

对照表2、图2和图3, 表2的结果表明对于本算例中的风电功率预测误差分布, 分段指数概率密度分布的纵向误差和横向误差比正态分布、拉普拉斯分布、柯西分布以及贝塔分布明显偏小。这一点从图2和图3中也可以看出, 表明了分段指数概率密度分布的精度高于其他模型, 原因在于分段指数分布的两段指数分布的指数系数不同, 形状随实际误差分布的偏斜产生偏斜, 形状比较灵活。

对照表3和图4, 表3的结果表明对于本算例中的风电功率预测误差分布, 分段指数累积概率分布的纵向误差和横向误差比正态分布、柯西分布明显偏小。从图4可以看出, 分段指数累积概率分布与实际误差分布基本重合, 正态分布和柯西分布则与实际累积概率分布的偏离较大。

对照表3和图5, 表3的结果表明对于本算例中的风电功率预测误差分布, 分段指数累积概率分布的纵向误差和横向误差与拉普拉斯分布非常相近, 且都非常小, 而且都比贝塔分布还小, 这一点可以从图5中看出。

由以上分析可知, 在该算例中, 分段指数累积概率分布和拉普拉斯累积概率分布对实际误差累积概率分布的拟合精度远高于正态分布和柯西分布, 略高于贝塔分布, 但拉普拉斯概率密度分布的拟合精度较低, 因此, 拉普拉斯分布模型在本算例中不能同时保证概率密度分布与累积概率分布的精度, 贝塔分布的概率密度分布与累积概率分布精度基本满足要求, 但与分段指数分布相比, 精度上要略逊一筹, 且求解复杂。分段指数分布则因形状参数分段估计, 形状灵活, 能同时保证概率密度分布与累积概率分布的精度都较高。

为了说明分段指数分布是否具有普遍适用性, 本文还采用另一个算例验证该模型的有效性。由于客观条件的限制, 国内外缺乏可用于统计分析的大量公开数据, 同时为了研究的严谨性, 笔者将在现有研究中给出的实际风电功率误差分布的基础上进行分析, 新算例取自文献[20]中的图2。算例说明及相应内容分析见附录D。

4.5 风电功率预测方法对预测误差分布的影响

风电功率预测按预测时间尺度可分为超短期预测 (1~60min) 、短期预测 (1~48h或72h) 和中长期预测 (数星期至数月) 。常用的风电功率预测方法有持续预测法、时间序列法和人工神经网络法。持续预测法最简单, 常用于进行超短期预测, 时间序列法和人工神经网络法用于短期风电功率预测。

风电功率预测误差分布随预测时间尺度和风电场规模的不同, 预测误差分布呈现不同的规律[9], 如超短期预测精度较高, 风电功率预测误差将在0附近呈现尖峰;对于短期风电功率预测, 当预测均值接近额定值或0时功率预测误差的概率密度将呈现偏向一侧的扭曲;对于大规模风电场群, 短期风电功率预测误差将趋向于正态分布。

文献[21]对比分析持续预测法、时间序列法和神经网络法预测的均方根误差, 指出3种预测方法随着预测时间的增加, 预测精度都要降低, 但降低幅度不同, 预测精度差别越来越大。时间序列法在预测时间尺度1~2h以内时, 其预测误差小于神经网络法, 预测误差相比于神经网络法能以更大的概率分布在区间[-0.1, 0.1]内[22], 但随着预测时间尺度的增大, 神经网络法将表现出更高的预测精度。而对于1~24h的短期风电预测, 神经网络法相比于时间序列法始终能以更大的概率使风电功率预测误差分布在[-0.2, 0.2]区间内[22]。

5 结语

受风电场规模、预测时间尺度及弃风程度等的影响, 不同风电场的预测误差分布表现出不同的特性, 传统误差模型在描述绝大多数的非对称误差分布精度时不能满足要求。本文提出分段指数风电功率预测误差分布模型, 该模型能够较多地挖掘实际误差分布的相关信息, 其形状灵活, 对误差分布峰度、偏斜度及尾部特性无固定要求, 且求解方便、便于微积分运算, 适于工程应用, 具有较强的适应性和适用性。这些特点使得该模型可适用于描述多预测时间尺度的误差分布, 其在描述非对称误差分布时具有更多优势。

要进一步论证分段指数误差分布模型是否具有普遍意义, 还需要大量的风电场数据和实践验证。对于中国的应用现状而言, 风电调度存在较严重的弃风行为, 弃风的存在影响了风电预测误差的真实性, 会扭曲实际的误差分布。随着风电相关数据的完善, 研究不含弃风因素的风电预测误差分布, 在调度运行中以风电实际可发电出力置信区间为依据制定风电的计划出力, 从而增加风电计划出力的可信度。在今后的工作中, 将基于风速分布和功率实测数据, 研究预测方法、预测时间尺度、尾流效应以及风电场的规模等各影响因素对风电功率预测误差分布的影响, 从而为推动风电相关领域的发展发挥应有的作用。

关系指数模型 第6篇

研究生教育是高等教育中最高层次的教育,承担着培养高层次学术研究与专门人才的重任。广大研究生作为研究生教育服务的直接“消费者”,其满意度评价应该是评价研究生教育服务质量的重要依据。

我国学者在研究生满意度研究方面,不再局限于办学条件等硬性指标,而是将指标体系扩展到校园文化、师生关系等软性指标。如陈冬梅认为影响硕士研究生教育质量的学校内部因素分为导师因素、课程体系因素、教育经费和科研环境因素与管理体制因素[1]。然而,无论在理论上还是实证研究上,研究生满意度研究仍然偏少,在量表的设计上差异也较大。本文将工商领域的顾客满意理论移植到研究生教育服务质量管理领域,尝试用结构方程的建模方法构建研究生满意度指数模型。

1 研究生满意度影响因素分析

研究生对教育服务质量的满意度评价,这种评价是研究生将其对高校教育服务的期望与高校实际提供的服务相比较后得出的,其实质是研究生对教育服务质量的期望值与实际经历之间的总体差距。可见,影响研究生感知绩效的因素主要有三项:即研究生对教育服务质量的预期、对经历过的教育服务的实际感知、体验过服务后形成的感知价值。

1.1 研究生对教育服务质量的期望

研究生对教育服务质量的期望是指研究生希望通过研究生阶段的学习,能够达到的目的以及希望得到的结果。期望来自于研究生过去在学校享受过的服务体验以及亲戚、朋友、同学之间的各种言论,并要受到培养单位知名度的影响。

一般,研究生的需求和期望大致有:能够为研究生提供学业上帮助的高水平的师资力量;适合自身发展的专业方向;优良的校园环境以及后勤保障设施;良好的就业出路;丰富的教育资源。

1.2 研究生所感知的教育服务质量

研究生所感知的教育服务质量是指研究生在接受高校提供的教育、生活等方面服务之后,对高校的教育服务质量做出的整体判断,这种整体判断要受到研究生本人知识、经验、情感等因素的影响。

本文从投入质量、过程质量与结果质量这三个层面分析感知质量。其中,投入质量指的是高校在开展研究生教育之前就已存在的各种客观实体。如各种生活与科研设施、师资力量等。过程质量指的是在接受教育过程中,研究生对所接受到的所有接触性服务做出的感知评估。包括与导师、授课教师的交流,与行政人员、后勤工作人员的接触、以及教职工对其的关心程度、所体验到的学校校风、学风等软环境。结果质量,指的是学生对于接受高等教育服务后总的感知收获与能力的提高。

1.3 研究生对教育服务质量的感知价值

研究生感知价值指研究生在求学经历中所感知到的收获与其付出的成本进行权衡后,对研究生教育服务的整体评价。其中,感知收获可以是研究生知识、能力、素质的提高,人力资本的增值;付出的成本包括直接成本和机会成本。直接成本指研究生为学习付出的学费、时间与精力;机会成本指研究生为学习而失去的工作机会、收入所得等。

2 模型构建

结构方程模型(Structural Equation Model,简称SEM)是20世纪60、70年代出现的新兴的统计分析手段,它在心理学、社会学和管理学等领域得到了广泛的应用,被称为统计学三大发展之一。

结构方程模型包括两个部分:结构模型和测量模型。测量模型描述的是潜在变量如何被相对应的观察变量所测量或概念化,结构模型指的是潜在变量之间的关系。结构模型的构建包括潜在变量的选取及潜在变量之间关系的建立两个部分。

2.1 潜在变量的选取

借鉴当前高校学生满意度测评的相关研究成果,结合上文中关于研究生满意度影响因素分析,选取指数模型中潜在变量及相应的观察变量。

2.1.1 学校形象

高校的历史成就及社会对学校做出的综合评价是学生顾客选择是否进校的重要参考因素。学校形象一般选择学校历史、知名度、发展定位等指标来衡量。本文选取“学校整体形象”、“特色教育”等4个观察变量来测量“学校形象”这一潜在变量。

2.1.2 学生期望

根据上文中“研究生对教育服务质量的预期”的分析,选取“对教育服务的整体期望”、“对科研设施的期望”等5个观察变量组成该潜在变量。

2.1.3 感知质量

感知质量的观察变量的选取是整个满意度测评的核心。曾青霞将高等教育服务划分为教学质量、校园生活等五项[2];王欣欣将高等教育服务质量定义为投入质量、过程质量以及产出质量三大维度[3]。本文借鉴以上两位学者的研究成果,经探索性因子分析,将感知质量的33个观察变量归纳为4个二阶变量,分别为“物质资源”、“校园环境”、“结果质量”。

其中,“物质资源”由“图书信息资源的丰富性、易获得性”、“实验室条件的完备性、先进性”等7个观察变量构成;“师资力量”由“导师的学术水平”、“导师责任心”等8个观察变量构成;“校园环境”由“学生表达意见的通畅性”、“校园学术氛围”等14个观察变量构成,“结果质量”由“我的能力、素质有了提高”、“我在学习期间收获了很多快乐”等4个观察变量构成。

2.1.4 感知价值

林卉将学生感知价值的维度设计成:相对所支付的学校费用(学费及相应的费用)下,对学校服务质量的评价;相对所接受的学校服务质量的水平下,对学校收费(学费及相应的费用)的评价两个维度[4]。本文认为:研究生所感知的价值除了看得见的学费、住宿费等看得见的直接成本外,还应包括因学习而失去的工作机会、工作收入等看不见的间接成本。根据上文中对感知价值的分析,以“与我付出的费用相比、我认为是值得的”、“与我付出的时间、努力和精力相比,我认为是值得的”、“与我因学习而失去的工作机会相比,我认为是值得的”3个观察变量来测量感知价值。

2.1.5 学生满意

顾客满意一般从整体满意程度、与期望值的差距、和理想点的距离3个方面来衡量。参照通用做法,本文设计了“对学校的整体满意程度”、“与期望相比的满意程度”、“与理想中的学校相比的满意程度”3个观察变量。

2.1.6 学生忠诚

学生忠诚指学生对学校提供的教育、生活等方面服务满意时,选择母校继续深造或向他人推荐母校及以后支持母校建设与发展等行为。本文将学生忠诚的观察变量设为“深造再选择”、“向他人推荐”、“与母校保持长久联系”、“支持母校发展建设”等4个。

2.2 潜在变量因果关系假设

选取潜在变量之后,结构模型的建立需要界定各潜在变量之间的关系,从而建立起初始假设模型。

2.2.1 学校形象与相关变量的关系

学校形象通过对学生期望产生直接作用,再由学生期望对学生感知质量产生直接作用,来完成对感知质量的间接作用。同时,学校形象越好、知名度越高、它在学生心目中的效价就越高,学生对学校的满意度就越高,因此,学校形象对学生满意也存在着直接影响。对于企业形象与顾客忠诚之间的确切关系,到目前为止,学术界没有定论。有证据证明存在企业形象到顾客忠诚的直接影响,但也有证据证明这种形象是通过企业形象→顾客满意→顾客忠诚这条间接路径完成。本文提出如下假设H1:学校形象对学生忠诚具有直接正向影响;H2:学校形象对学生满意具有直接正向影响;H3:学校形象对学生忠诚具有直接正向影响。

2.2.2 学生期望与相关变量的关系

大量的研究表明,顾客期望对感知质量存在正向影响。同时,假设学生期望对感知价值也存在直接正向影响。对于期望与顾客满意之间的关系,大部分学者认为期望的这种预测功能意味着公众(学生)期望对公众(学生)满意具有积极的作用,因此,本文假设H4:学生期望对感知质量具有直接正向影响;H5:学生期望对感知价值具有直接正向影响;H6:学生期望对学生满意具有直接正向影响。

2.2.3 感知质量与相关变量的关系

学生将实际感知质量与付出的成本相比较,形成学生感知价值,因此,感知质量是感知价值的前置因素。同时,学生感觉到的服务质量好,学生就满意。本文采用国际主流国家顾客满意度指数模型通行的做法,将感知质量作为顾客满意的前置因素。假设H7:感知质量对感知价值具有直接正向影响;H8:感知质量对学生满意具有直接正向影响。

并且,为了在验证感知质量对学生满意的同时,明确哪些因素对感知质量起着至关重要的作用,以便为学校指明行动的方向,为其制定具体策略提供依据,本文还设置了“物质资源”、“师资力量”、“校园环境”、“结果质量”4个变量,感知质量对它们产生直接正向影响,并假设H11:感知质量对物质资源具有直接正向影响;H12:感知质量对师资力量具有直接正向影响;H13:感知质量对校园环境具有直接正向影响;H14:感知质量对结果变量产生直接正向影响。

2.2.4 感知价值与相关变量的关系

感知价值在体验研究生教育服务中产生,感知价值高势必带来高的满意度,反之则相反。因此,感知价值必然是学生满意的前因。本文假设H9:感知价值对学生满意存在直接正向影响关系。

2.2.5 学生满意与相关变量的关系

关于顾客满意与顾客忠诚之间的关系,很多文献都进行了分析。Aderson&Sullivan(1993)发现顾客满意正向影响重复购买意图[5]。从本文来看,只有学生满意了,才有可能向他人推荐母校、支持母校建设等。因此,本文假设H10:学生满意对学生忠诚具有直接正向影响。

2.3 研究生满意度指数模型构建

根据上文对研究生满意度影响因素的分析,本文应用结构方程的建模方法构建了研究生满意度指数模型(图1)。

该模型包含了10个基本结构变量,即学校形象、学生期望、感知质量、感知价值、学生满意、学生忠诚、物质资源、师资力量、校园环境、结果质量,这样经过一次调查既可以得到宏观的满意度数据,又可以得到微观的质量改进信息。

模型中结构变量之间的假设关系为:学校形象为外生变量,它对学生期望、学生满意、学生忠诚产生直接正向影响;学生期望对感知质量、感知价值、学生满意产生直接正向影响;感知质量对感知价值与学生满意产生直接正向影响,感知价值对顾客满意产生直接正向影响,学生满意的后置因素是学生忠诚,学生满意对学生忠诚产生直接正向影响。此外,对感知质量对四个质量因子产生直接正向影响。

3 存在的不足及未来研究方向

由于条件所限,本文仅分析了影响研究生满意度的因素,构建了研究生满意度指数模型,并没有对模型进行实证研究,开展实证研究,检验所构建模型的合理性并进行满意度测评,是未来继续研究的方向。

摘要：分析影响研究生满意度的因素,根据结构方程的建模方法,设计模型的潜在变量与观察变量,构建潜在变量间的假设关系与研究生满意度指数模型。

关键词：结构方程模型,研究生,满意度

参考文献

[1]黎军,陈冬梅.影响硕士研究生教育质量的学校内部因素[J].中南林业科技大学学报(社会科学版),2009(7):166-168.

[2]曾青霞.大学生满意度测评体系研究[D].硕士论文,2009.

[3]王欣欣.我国高等教育服务质量统计评价——基于学生满意度研究[D].硕士论文,2009.

[4]林卉.我国高校学生满意度指数测评研究[J].科技创业月刊,2007(,1).

关于工程造价指数编制模型的探讨 第7篇

工程造价指数作为一系列反映工程造价变动情况的统计数字, 在工程造价管理工作中具有非常重要的作用。在建筑市场供求和价格水平发生经常性波动的情况下, 工程造价及其各组成部分也处于不断变化之中。根据工程建设的特点, 编制工程造价指数是解决这些问题的最佳途径。工程造价管理部门可以通过分析、测算和发布工程造价指数, 掌握并向社会提供建设工程造价的总体发展趋势信息, 为工程建设市场服务, 为投资决策服务, 为政府部门宏观调控服务, 对提高工程造价管理水平有重要的意义。

工程造价指数反映了报告期与基期相比的价格变动趋势, 是建筑市场价格变化的指示灯, 它在实际工作中的重要作用如下:

(1) 工程造价指数是解决已建工程造价静态性的重要工具。

以有代表性的工程造价资料和工程造价指数相结合来计价, 可以解决已建工程造价的静态性问题。

(2) 工程造价指数是合理确定工程结算价款的依据。

除规模小、施工周期在一年以内的工程可采用固定合同价外, 对于不少施工周期在一年以上的工程, 为解决合同双方因市场物价波动而承担的风险, 双方可签订可调合同价合同。反映市场物价变化幅度的工程造价指数, 能为实现工程价款动态结算提供必要条件, 使可调合同价的签订更具有合理性和科学性。

(3) 工程造价指数便于分析价格变化的原因和估计工程造价变化对宏观经济的影响。

由于工程造价指数有单项价格指数和综合造价指数, 所以可以通过单项价格指数分析计算单项价格变化对工程造价的影响程度, 也可以通过单位、单项工程造价指数等来计算其对建设项目造价的影响, 进而可向有关部门提供可靠数据, 准确估计建筑产业价格变化原因和对宏观经济形势的影响, 为国家制订调控措施提供依据。

2 工程造价指标数据库的建立

工程造价指标数据库是工程造价指数的基础。准确的指数, 建立在正确的工程造价指标数据收集方法及科学合理的编制模型之上。

2.1 工程造价指标的数量

指标数据库数据量越大, 越有利于测算出准确的统计值。由于当前基本建设投资不断增加, 全社会处于建设高潮时期, 大量的建设工程产生了大量的工程造价资料, 因此负责测定和发布指数的工程造价管理部门要把如何从投资方、项目建设方、项目施工方及中介机构手上取得符合统计学样本数量要求的资料作为工作重点。

2.2 工程造价指标的质量

我们要考察的是工程造价的社会真实水平而非预算编制水平, 因此我们需要的是能够代表市场价格, 即已经成交的工程的实际造价, 也就是说, 首先应该收集的是各竣工工程的结算造价资料。另外, 建筑工程市场普遍实行招投标制度, 工程中标价实际上也是一种成交价, 这个成交价决定于实际工程成本水平及社会竞争水平, 因此也符合采集要求;而其他造价资料, 不管编制水平如何, 由于其并未同时为供需双方所接受, 不能肯定它是否已反应了市场水平, 所以不在考察的范围内。对收集到的资料, 还应根据预先设定的标准进行审核整理, 以保证其真实性和代表性。

3 工程造价指数编制模型

工程造价指数分单项价格指数和综合造价指数两种类型。单项价格指数反映不同时期建设工程施工中人工、材料、机械台班等价格报告期对基期的比值, 综合造价指数则是反映不同时期分部分项工程项目的综合造价报告期对基期的比值。结合广西目前实际情况, 根据笔者所参与的广西科技厅科技项目“工程造价指数指标分析专家系统”中设计的计算模型, 优化其中部分计算公式, 建立了一个简洁的工程造价指数编制模型, 主要内容如下:

3.1 材料价格指数的计算

材料价格指数是反映各种材料报告期价格对基期价格的变化程度的指标, 可用于研究某一类材料价格变化的情况及其发展变化的趋势。本模型取出具有市场代表性的下列十大类共26种材料作为计算对象, 并给出经过广西数家甲级工程造价咨询机构提供的近千个工程项目施工图预算 (标底) 、结算的具体数据测算得出的材料权数, 其计算公式如下:

材料价格指数=∑ (材料的报告期价格/材料的基期价格100材料权数) (见表1)

通过上述计算可得出报告期对基期的十大类材料价格指数。

3.2 材料价格综合指数的计算

材料价格综合指数是对于当地或者一般工程, 其全部材料 (以上述26种材料为代表) 的报告期价格对基期价格变化而影响工程造价程度的指标。其计算公式及本计算模型类型权重如下:

材料价格综合指数=∑ (单项材料价格指数类型权数) (见表2)

通过上述计算可得出某个地区或某个工程的报告期对基期的材料价格综合指数。

3.3 工程造价指数的参考指数

工程造价指数是对于多个地区或某一类工程, 其报告期的工程造价与基期工程造价相比后的指数, 其计算公式如下:

工程造价指数=人工费指数类型权数+∑ (材料价格综合指数类型权数) +∑ (单项施工机械台班指数类型权数) +其他直接费、间接费等综合指数类型权数

根据广西各地市实际情况, 要全部采集完上述数据计算工程造价指数比较困难, 因此本编制模型抽取占工程造价60%~70%的材料费来进行计算参考指数, 计算公式及本计算模型类型权重如下:

工程造价参考指数=∑ (材料价格综合指数类型权数) (见表3)

通过上述计算可得出广西区某个时期报告期对基期的工程造价参考指数。

目前, 广西仅有几个地市的工程造价管理部门发布工程造价指数, 而且计算方法各不相同, 没有形成编制模型。依据上述编制模型计算得出的工程造价指数能准确地反映出市场实际的要素价格波动, 而且计算过程简洁, 指数计算结果从2008年开始刊登在广西建设工程造价管理总站刊物《广西造价管理》上, 对工程造价的计价过程尤其是在工程量清单计价模式下的工程投标报价的编制过程有着重要的参考作用, 其理论价值和实践意义会在不断完善的基础上逐渐显现出来。

摘要：工程造价指数是不同时期单项价格和综合价格的相对变化趋势与变化幅度的指标, 是研究工程造价动态性的重要工具。本文旨在探讨如何建立良好的工程造价指标数据库, 并提出一种简洁可行且能反映实际情况的工程造价指数编制模型。

关键词：工程造价指数,编制模型,建筑市场

参考文献

[1]罗唏.工程造价指数指标分析专家系统[EB/OL].http://www.cacem.com.cn/News/ open.asp?ID=135693, 2005-7-15.

关系指数模型 第8篇

关键词：公路路况,广义量化理论,模糊判决,灰色理论,指数模型

1 概论

公路路况性能评价是路面养护维修决策、道路经济分析的基础。路况性能评价模块根据收集的路面资料，判断目前路面状况是否满足交通要求，所得结果将作为采取养护或改建措施以及采取何种措施的依据。公路养护管理系统辅助决策的好坏，很大程度上取决于养护管理系统对路况性能的评价。公路路况性能评价的主要评价过程是以表征路段原有强度的当年路面强度指数(SSI)为主要判别基础，以所收集的历年维修、养护资料的统计规律反映出的道路实际状况为辅助判别，最终得出道路状况综合评价。

目前，对路况(路基及路面综合情况)评价模型研究较少，可以借鉴的是路面性能评价模型，其评价指针体系分综合指标评价和分项指标评价两大类;就评估方法来看，主要有系统分析法和回归模型法。这些方法在改造后均可引入到路况评价中，它们都各有优缺点，应结合实际情况选用合适的模型。事实上，由于作用负荷，在对原有路况进行评价时，许多影响因素及作用机理目前还不完全清楚，因而结构层性能的评价系统具有“灰色”特征，所以可以利用灰色聚类评估进行分析。鉴于公路路况的特点和目前的研究现状，本文使用层次分析法、灰色系统理论、以及指数法等数学模型及算法，提出了一种对公路路况综合评价的指数模型。

2 公路路况评价的指数模型

2.1 指数分析法

目前，指数概念广泛应用于许多领域，如：军事实力指数、国民经济指数、工商指数、税收指数等。为了适应公路路况综合评价的需要，国外从事公路路况研究的专家，在寻找新的科学方法时，创造性地将国民经济中的指数概念移植于公路路况评估，建立了一种新的公路路况综合评价方法，即杜佩-邓尼根指数法，很快推广到公路和其它的有关部门，至今仍在不断应用和发展之中。根据杜-邓指数法在国外的应用情况，该指数法具有很好的效果和指导作用，并得到了广泛的应用。

2.2 指数建模思想

根据军事能力指数模型，这里所述的公路路况综合指数在建模思想上赋予了新的含义：

1)采用二维综合，即纵向和横向同时综合，并采用统一衡量标准。

2)采用灰数白化的概念，量化定性指标。

3)基本模型采用模糊综合评判的思想，所不同的是，这里得到一个带有综合性的模糊指数，而不是一个评判矩阵。

4)采用性能指针法获得加权矩阵，采用广义量化原理获得评判矩阵 (或因子矩阵) ，以避免人为因素。指针法是以自己通过资料建模或实测而得到的资料为依据，并经过大量专家审查认可或经实测所得到的，由此所得或再经统计后得到的加权是可信的，不会出现人为的扯皮现象。广义量化是一种从社会学科转向自然学科，并且具有实用性的工程方法，强调量的相对大小，而不注重其绝对大小。

5)采用T.L.Saaty提出的层次分析法，构造一个由若干层次组成的物理模型。

综合以上的建模思想，可见这里的效能指数分析法具有以下特征：综合性、宏观性;相对性、可比性;周密性、可靠性;统一性;普适性。

2.3 广义量化原理

广义量化方法首先把传统量的概述推广成比数值更广的量的概念，即广义量指事物数量差异与性质差异的表征量，主要是寻找系统中诸要素的符号对应关系，并且把传统的量化数学方法推广到一般的推理规则集的变换。于是，广义量化方法就规划成广义量化符号集与广义演算符号集的各种不同变换规则的集合。不管是定量量或定性量，还是数学计算，以及逻辑命题演算，都可以转化成0或1的各种组合与变换，由已知信息 (定性或定量) 的输入，通过广义算法的变换，即可输出未知新命题的解答。广义量化方法的问世及其在各个领域中的应用，将改变人类研究自然、社会、科学、系统的传统观念和方法，不论是在理论上还在在应用方面都有着重要的意义。

3 公路路况评价的指数模型建立过程

3.1 确定公路路况评价的指标体系

在现行的《公路沥青路面养护技术规范》中，分项路况的评价内容包括路面破损状况、行驶质量、强度及抗滑性能，所用的指针分别对应为路面状况指数(PCI)、路面行驶质量指数(RQI)、路面强度系数(SSI)、路面抗滑系数(SFC或BPN);除上述指标外，还包括施工监理数据评分、地质雷达测试评分、瑞利波测试评分等等指标。建立公路路况的指数模型，目的在于求得对公路路况的综合评价。通过前面的分析可以将公路路况的综合评价可以归纳为：路面状况指数、路面行驶质量指数、路面强度系数、路面抗滑系数、其它五个方面的子层。为此，将公路路况的众多指标经聚类处理后，分为不同的层次，相同的层次又可分为若干个层次，实际情况要针对公路路况指标进行全面细致的分层。这样的层次模型可根据需要进行纵向和横向的延伸和扩展，即：所考虑的因素可增可减、模型可大可小，以适应不同的场合。

3.2 数学模型及算法

以上，我们得到了一个规格化的物理模型，即输入为参数、输出为指数的模型，由此可见，公路路况综合评价的计算是一个从下到上、从小到大、从局部到整体的计算过程。

首先，根据灰色理论将有关的定性指标量化(某些性能参数不能给出定量的指标，而只能给出定性的描述，如优、良、中、差)，以得到全部量化的指标集，则第i层第j个子能力指数Tij的隐表达式：

Tij=f (X1, X2, , Xn) , i, j∈ (1, 2, )

式中，(X1, X2，，Xn)为Tij对应的参数，f为一广义量化变化函数。

根据模糊综合评判和所述建模思想，综合评价指数的数学模型为：

式中：Tij为第i层第j个评价指数，当i=j=1时，T11为综合评价指数。

A軑为性能指针权行阵，表明各指标重要性的测度。实际中，为了避免人为因素，直接用系统实际达到的指针数值集组成权行阵。与其它系统相比较时，各对应元素必须先统一单位，然后去掉单位代入。这样，各系统被公平对待，建立同样的标准，无可非议。

各子层又可作为上一层的指标权阵, 以此类推。于是有:

(X1, X2, , Xn) ∈ (A1, A2, , An)

Ai为权行阵元素，i∈(1, 2，，n)。

[t]为广义量化评判矩阵或布尔因子矩阵，元素全由0, 1组成。其量化算法为：将各个指针分别定出m个等级，凡是达到某一等级标准的，其矩阵元素为1，达不到的则为，这正是广义量化的思想，只求相对大小，不求绝对大小，且各系统的规则统一，比模糊评判矩阵的计算要简单得多。

为标准权列阵，它表明每个指针等级得可能性和重要性，可由现行指标和技术的统计值得到。

4 结语

公路路况的指数模型是规格化的，也是简单的，但它是建立在多种数学基础上的，具有很强的扩展性和兼容性，在实用以上模型时，还有一项重要的工作要做，就是如何录取基础数据。另外该模型能以定量的数值表示评价的结果，从而能较完整地反映事物状况的综合水平，同时易于用计算机进行编程处理。

参考文献

[1]潘玉利主编.路面管理系统原理[M].北京:人民交通出版社, 1998.

关系指数模型 第9篇

关键词：CPI VAR 协整检测 脉冲响应 方差分解

中图分类号：C812 文献标识码： A 文章编号：1006-5954（2013）02-64-04

一、研究目的和意义

回首2012年，全国CPI增幅可以用温和来形容，在积极的财政政策和稳健的货币政策以及各种宏观调控的共同作用下，一路飙升的物价终于在12月份回落至2.5%，全年CPI的涨幅守住了4%的宏观预警线。

根据北京市统计局、国家统计局北京调查总队发布数据，纵观2012年北京CPI的月度同比涨幅变动情况，高位出现在1月的4.8%，不过2月即回落至3.5%，经历小幅震荡后又回升至12月的3.5%，全年呈现U型变化趋势。是什么因素致使CPI回落后又有小幅的反弹，通胀的时代是否已经过去了？2013年4%的宏观预警线能否守住，是什么因素影响了CPI的涨幅？今年的物价水平会有怎样的波动？

CPI的周期性波动是通货膨胀或通货紧缩问题研究的重点，也是政府及社会各界关注的焦点。基于以上种种原因，笔者认为探寻北京居民消费价格指数的波动规律，找出其主要驱动因素，预测其发展变化，对于准确分析北京市的价格形势、把握宏观经济运行规律、促进首都经济的健康稳定发展具有十分重要的理论意义和现实意义。

二、论文的研究方法和创新

（一）向量自回归模型及其优势

人们在解决实际问题过程中，通常先确定解释变量X和预报变量Y，然后利用抽样方法采集样本，再对样本进行回归分析，确定回归模型，求出回归方程。但是，我们所选择的联立方程都是结构性的方程，对于同一时期来讲只用同一参数进行估计，当外界变量发生变化的时候，有可能出现方程失效或者参数失效的情况。向量自回归（VAR）模型是一种通过数据反映变量之间动态变化关系的模型，他并不关注现象之间的结构，基于此，笔者拟基于VAR模型对北京CPI进行实证研究。

（二）论文创新之处

本文充分借鉴了前人的研究成果，抛去繁重的变量筛选过程，对所选因子通过定量和定性的分析最终确定入选变量，在变量的选取过程当中有一些新意；本文将采用最新的数据进行实证研究，结合最新的政策因素对CPI进行考量，其研究结果值得政府部门参考借鉴。

三、基于VAR的北京CPI实证研究

（一）指标选取

货币供应量的过度增长、成本推动原材料价格上涨带动的中间产品价格变动，这些因素都会引起CPI的波动，从宏观角度来讲，它们之间存在着一定的因果关系。本文在充分借鉴前人的分析论证基础上，省去因子分析和理论综述等文字赘述，直接选定入选模型因子：CPI、MPI、PPI和M2。

（二）实证分析

1.描述统计

本文使用北京市2005年1月至2012年11月的月度数据建立模型进行分析，为消除数据单位变动和季节性因素变动影响，本文采取对原数据取对数、做除法等方法进行无量纲化处理，再经描述，作出如下统计分析（见图1）。

2.平稳性检验

经单位根检验，入选变量均在1%水平下2阶单整，不存在单位根，这满足了协整的前提，进一步检验MPI、PPI、M2与CPI之间回归残差项，同时满足5%水平下不存在单位根的ADF检验。这证明了变量间存在长期稳定关系，可以考虑进行VAR模型。

3.滞后阶数的确定

通过滞后长标准（Lag Length Criteria）检验，检验长度定为8时，五个检验标准中的四个选择滞后阶数为2，所以模型选择滞后阶数时定为2阶。

4.模型求解

计算得出CPI回归模型如下：

CPI=0.96*CPI（-1）-0.033*CPI（-2）+0.01*M2（-1）-0.01*M2（-2）+0.05*MPI（-1）-0.01*MPI（-2）+0.085*PPI（-1）-0.16*PPI（-2）+0.46

在进行结果解释之前需观测模型的拟合程度和预测效果，根据软件输出结果，我们看到了模型的静态拟合预测图，实心线是实际值，空心线是预测值，拟合效果良好，说明模型建立良好，结果解释具有数据说服性（见图2）。

5.模型结果解释

根据VAR回归结果，我们可以得出以下分析结论：

（1）CPI对自身的影响

CPI滞后一期对自身的影响系数是0.96，T统计量的值等于0.11；滞后二期对自身的影响系数是负向的，但数值很微弱，只有0.03；这说明CPI当月的变动，无论是增加还是减少，很大程度上都影响下月变动，若是上涨的，那必然推动下期物价指数的上涨，若是下降的，也会带动下月指数下滑，但将在第二个月后得到微量的修正。

（2）M2对CPI的影响

M2滞后一期和二期对CPI的影响都很弱，分别是0.01和-0.01；这表明货币供给对于消费价格通胀率的影响不显著，这再一次证明了货币供应量对CPI来讲是一个长期的考量指标。从分析的结果看，M2对CPI的影响存在两个月的时滞，要到两个月后才能产生一定的影响。

（3） MPI对CPI的影响

MPI滞后一期对CPI的影响系数是0.05，滞后二期为-0.009；这说明在北京原料、能源价格等产业链上游指标的变动对CPI的影响，短期内效果不是很显著。从分析结果看，MPI本期的变动对下期CPI的影响仅为0.05，第二期后恢复平静。

（4） PPI对CPI的影响

较之MPI来讲，工业品出厂价格指数反映的是中间产品价格的变动情况，它是CPI的上游指标。从分析结果看，PPI的滞后一期对CPI的影响是正向的0.1，它的变动可以直接影响CPI下一期的增减，但影响程度不是很大，同样到第二期影响变为负向的0.1。

（三）脉冲响应函数

下面我们用脉冲响应函数来分析加入一个标准差大小的随机信息对模型中内生变量当期及未来几期的影响，在本文的VAR模型中，我们分别讨论CPI、MPI、PPI和M2分别产生一个标准差大小的冲击时，对CPI未来10期的影响程度，分析结果见图3。

从图3可以看出：CPI对自身的影响很敏感，从第一个月开始缓慢上升，直到第五个月以后才趋于平缓，这说明CPI的一次偶然上升，将会影响到接下来五个月的物价指数变动，从第六个月开始到第十个月缓慢下降。

MPI对CPI的影响从第一个月开始到第四个月是一个逐渐增强的过程，前两个月不显著，到第四个月达到最大，从第五个月开始逐渐减小。这说明MPI对价格指数的影响短期内效果不够明显。如果原料、燃料和动力购进价格指数出现一次较大的上升，物价指数将会缓慢增长，在四个月后受到强烈的冲击。

PPI的一个标准信息扰动对CPI的影响很微弱，到第五个月达到顶峰，但也只有0.007，五个月后开始慢慢恢复。

M2的变动对CPI的影响在短期内更为有限，第一期为0，第二期后才逐渐显现效果，这可以理解成M2对CPI的影响有两个月的时滞。

（四）方差分解

以上通过脉冲响应函数了解到各个变量对CPI的影响程度，接下来通过方差分解的方法用数据更直观地反映每个变量未来10期对CPI的贡献度，分析结果见表1。

根据表1分析结果可以看出，CPI对自身的贡献度最大，虽然从第1期开始逐渐减弱，但到第10期仍然有86.7%。其余三项指标当中，各个指标都随着预测期的延长而贡献度增大，但效果都不是很明显，惟一不同的是MPI，随着预测期的延长逐渐增多，第6期后逐渐稳定，到达第10期时贡献度已经达到了11.3%。这说明在北京，除了CPI本身变动外，原料、燃料和动力购进价格指数的上涨会对物价指数产生一定的影响，而且影响程度很高。

（五）北京市2013年居民消费价格指数预测

通过VAR模型输出的静态拟合图我们可以看到，本模型的预测效果良好，接下来利用已知数据对2013年CPI变动情况进行预测（见表2）。

四、模型结果对CPI调控政策的启示

本文选取北京市2005年1月至2012年11月的月度数据建立VAR模型。从模型的结果看，CPI对自身的变动影响效果显著，由2012初至今，CPI经历了由高到低再到高的U型变化过程。结合分析结果，CPI本期的下降将会直接影响下一期物价指数的下降，但是将在第2期得到修正并趋于平缓，这符合2012年全年的变化过程，但从2012年下半年开始CPI增幅回升，势必带动2013年物价增长，从预测结果看，2013年增长4.48%，显示今年增幅明显，相关部门需要把握好CPI的调控力度。

通过模型分析，MPI的变动短期内对CPI的影响不显著，但6个月后影响程度逐渐显现，这说明在北京地区MPI对CPI还是有一定影响的，究其原因，笔者认为：首都北京作为政治文化中心，它对各种物资的需求相对较高，2010年第六次全国人口普查数据显示，北京市常驻人口为1961.2万人，比2000年第五次全国人口普查时增加604.3万人。这就意味着我们需要的各种物资（如蔬菜、食物等）要增加，其中包括与CPI息息相关的食品。食品进京的途径是陆运长途，近年来油价高起，油价变动对交通、农业、林业等部门会带来一定的影响，尤其是给出租、长途运输、公共交通等行业带来了直接的成本压力，虽然短期内物价指数上表现不明显，但是对人们心理的影响还是很强烈的，所以政府部门可以考虑适当适时调整燃油补助等政策。

从2012年的月度数据看，尽管12月CPI的同比增幅与11月持平，但由于目前国内蔬菜、猪肉等食品价格涨幅处于近十年来的较低水平，未来食品价格上涨和反弹的压力较大。据测算，我国食品价格的变化周期为3.5年，从年初的数据看，食品价格开始回升，很可能已经进入反弹的阶段，由于食品在CPI中计算的比重高达31.8%，食品价格上涨将推高CPI的反弹，未来我国物价水平将进入新一轮的上升阶段。

从分析结果看，M2对CPI的影响存在两个月的时滞，短期内影响效果不显著，这就是为什么我们一直在强调要实行稳健的货币政策。流动性的泛滥短时间内不能明显地体现到CPI的涨幅上，这就从思想上麻痹了人们，等到发现为时已晚，那个时候将会导致物价快速上涨，所以货币政策的调控既要稳又要准，并需适时调控。要根据M2对CPI的时滞性，实施稳健的货币政策，消除物价上涨的货币条件。一方面，应对对涨价敏感的低收入人群进行补贴，建立特殊人群价格补贴机制；另一方面，加快市场秩序的治理，防止各种游资利用居民对物价上涨的恐慌心理进行投机活动。还要加大补贴力度，强制推高工薪阶层工资和低收入群体补贴的增速高于CPI水平。

总的来说，要强化政府对货币政策和投资政策的管理，约束和防止地方政府投资冲动带来的信贷倒逼。一方面，政府在舆论上要引导人们形成物价稳定的预期，使人们对未来物价环境充满信心；另一方面，政府应动用储备予以遏制，并协调相关物资的生产和进口计划，缩小供求缺口，避免因供给冲击造成的物价暴涨的出现。同时，对房地产市场进行有效的宏观调控，抑制投机行为，降低公众对物价上涨的预期。

参考文献

[1]董梅，基于VAR模型的CPI影响因素分析及预测[J]，兰州商学院学报， 2010.3： 122-126。

[2] 高铁梅，计量经济分析方法与建模（第一版）[M]，清华大学出版社，2006：249-297。

[3]易丹辉，《数据分析与Eviews应用》[M]，中国人民大学出版社，2008：244-263。

公共停车场停车服务指数模型探讨 第10篇

智能停车诱导系统 (Parking Guidance and Information System, 简称PGIS) 是为解决城市停车信息贫乏、停车杂乱无序等问题而产生, 是智能交通系统 (Intelligent Transportation System, 简称ITS) 的重要组成部分。PGIS以促进停车场及相邻道路的有效利用为目的, 通过诱导屏、智能手机、车载终端等多种途径向交通出行者提供停车场的位置、使用状况, 以及相关道路交通状况等信息, 诱导交通出行者快速有效地找到停车场[1]。通常, PGIS向出行者提供区域内的一个或多个停车场的可用泊位信息, 但实际上出行者在出行途中, 距离目的地尚有一定距离, 影响其作出停车选择的因素众多, 如停车泊位空闲程度、周边道路交通状态、停车场服务水平等, 仅提供有限的信息容易给出行者造成误导, 影响PGIS的建设效果和公众的信任度。

因此, 本文综合考虑公共停车场的服务能力和服务水平等因素, 建立停车服务指数 (Parking Service Index, 简称PSI) 模型, 全面衡量公共停车场的整体运行情况, 为出行者提供有效、准确的停车信息服务, 引导出行者作出合理的停车选择。

1 停车服务指数影响因素分析

在机动车出行过程中, 影响出行者作出停车选择的因素众多, 应进行系统分析和全面梳理, 为后续研究提供基础[2,3]。

从宏观、中观、微观等角度研究影响公共停车场停车服务指数的相关因素。其中, 在中观角度将影响因素划分为停车服务能力和停车服务水平, 而停车服务能力又包括停车设施可用性和通行路径可达性, 再通过微观指标因素对各影响因素进行定性或定量评价 (见表1) 。

2 停车服务指数模型研究

2.1 影响因素参数化选择

对各影响因素进行分析, 选择合适的定量评价参数, 并进行无量纲化处理, 以对公共停车场停车服务指数进行有效评价。

1) 停车设施可用性。对停车设施可用性, 总停车泊位数和当前可用停车泊位数有量纲参数, 因此采用停车场占泊比 α, 为特定停车场的当前已用泊位数与总停车泊位数的比值。

式中:α 为无量纲参数, 且α∈[0, 1]。α 越大, 表明停车场服务能力越差, 可对不同规模停车场进行比较和评价。

2) 通行路径可达性。采用周边道路的交通流饱和度 β, 对出行者从当前地点到达目的地停车场通行路径可达性进行评价, 同时考虑停车场出入口周边不同道路等级的影响。

式中:γ 为道路等级影响系数, 取值γ∈[0, 1] ;则通常情况下β∈[0, 1] (若出现 β > 1 情况, 按 β=1计算) 。β 越大, 表明停车场通行路径可达性越差, 对不同区域停车场进行比较和评价。

3) 停车服务水平。影响停车服务水平的因素, 如停车场类型、信息化水平、停车收费标准等均为非定量评价参数, 需根据实际停车设施建立一定的评价赋值标准, 将其转化为可用于横向比较的定量评价指标。

2.2 建立停车服务指数模型

基于前述分析, 建立针对特定公共停车场的停车服务指数模型:

式中: λ 为影响因素权重系数;α 为停车场占泊比;β 为周边道路交通流饱和度;k1为停车场类型修正系数;k2为信息化水平修正系数;k3为停车收费标准修正系数;且α 、β、λ∈[0, 1]。对 λ 的取值, 为克服个人决策的片面性、主观性和局限性, 可采用头脑风暴或德尔菲法确定[4]。

2.3 模型补充说明

通过公共停车场停车服务指数模型, 对不同区域、不同规模、不同类型的公共停车场进行综合比评。根据各影响因素的参数说明可知:停车服务指数取值越大, 表示该公共停车场的服务能力和水平越差。

根据计算出的公共停车场停车服务指数, 还可划分一定的阈值区间, 通过三色分级 (红黄绿) 或五色分级 (红橙黄蓝绿) 进行标识和显示, 为出行者提供更为清晰直观的停车信息服务。

3 算例分析

下面以2 个不同区域的公共停车场为例, 对停车服务指数模型进行应用和说明。评价2 个公共停车场的相关状态参数见表2。

另外, 对各相关系数按照表3 进行赋值。

根据式 (3) 分别计算停车场1 和停车场2 的停车服务指数 (其中权重系数 λ=0.6) :

同理, PSI2=1.11。相比较, 停车场1 的服务能力和服务水平更佳。

进一步, 采用五色分级方式进行停车服务指数表示。由于PSI ∈ [0, 2.07], 采用图1 所示的五色分级划分标准:

在具体应用时, 应根据停车区域的实际情况确定各相关系数赋值及五色分级标准, 并根据具体运行状况进行动态优化和调整。

4 结语

面向出行者的停车信息服务是目前智能交通领域研究与应用的热点, 是引导出行者最佳方案选择、提高停车资源利用效率、减少对道路交通影响的重要途径和手段。面对目前停车诱导系统存在的问题, 本研究全面考虑停车设施可用性、通行路径可达性及停车设施的服务水平等因素, 采用停车服务指数对公共停车场进行定量化评价和描述, 更符合交通出行者对停车信息的全面需求, 对提升停车信息服务质量具有重要意义。

参考文献

[1]关宏志, 刘兰辉, 廖明军.停车诱导系统的规划设计方案初探[J].公路交通科技.2003, 20 (1) :136-139.

[2]郑淑鉴, 郑喜双, 韦清波, 等.停车场运行评价指标体系研究[J].交通信息与安全, 2014, 32 (2) :68-71.

[3]应夏晖, 石悦悦.基于停车诱导系统的用户停车场选择研究[J].电子测试.2015 (5) :47-49.