收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于时间序列夜间灯光数据的GDP预测模型研究

顾鹏程  
【摘要】:国内生产总值(gross domestic product,GDP)是衡量一个国家或地区经济发展的基本指标之一~([1]),而DMSP-OLS和NPP-VIIRS夜间灯光数据与经济发展密切相关,被广泛应用于社会经济参数的估算。DMSP-OLS数据的时间覆盖范围涵盖了1992年至2013年,而NPP-VIIRS数据则从2012年开始提供。因此,本文提出一种简单的数据同化方法,将DMSP和NPP夜间灯光数据整合得到长时间序列的夜间灯光数据集,有助于研究长时间序列社会经济发展模式。首先,本文采用基于不变目标区域法对1992-2013年DMSP夜间灯光数据进行相互校正、饱和校正和影像间的连续性校正,并分别提取出同期中国大陆和31个省级行政区夜间灯光强度信息,在此基础上与统计GDP数据建立线性、指数、二次项、乘幂回归模型。通过比较估计GDP与统计GDP误差,选出各自最优拟合模型。结果表明:DMSP夜间灯光影像经过校正解决了长时间序列影像之间不稳定、不连续的问题;校正后的DMSP夜间灯光数据集夜间灯光总量(Total Nighttime Light,TNL)在国家和省级尺度与GDP存在强相关。中国大陆GDP预测指数模型最佳,R~2达到0.97,平均相对误差仅为11.32%;31个省级行政区按时间序列构建GDP拟合模型优于每年各省级行政区模型。其中,四个直辖市和经济总量前六的行政区指数模型最优,其余省份二次项模型最优,R~2均达到0.95以上,GDP估计相对误差10%左右。其次,本文对2012-2017年NPP夜间灯光数据进行预处理,去除背景噪声、高亮异常值以及负值,构建2012-2013年的中国省级DMSP夜间灯光数据的TNL和NPP夜间灯光数据的TNL关系模型。结果发现乘幂模型最优,R~2为0.9417,利用乘幂模型将两种夜间灯光数据集整合起来,形成1992-2017年长时间序列夜间灯光数据集,此数据集夜间灯光总量TNL在国家级和省级尺度上均具有连续性。此外,2012年和2013年NPP夜间灯光数据模拟DMSP的TNL平均相对误差分别为15.63%和16.51%,精度相对较高,验证了此数据同化方法的可行性。然后,本文采用线性、二次多项式、乘幂和指数模型分别对1992-2017年中国大陆TNL与GDP建模。结果表明,1992-2017年中国大陆GDP最佳拟合模型是乘幂模型,R~2为0.9795,平均相对误差MARE为12.23%,而二次项、线性、指数模型相关系数虽高,但MARE较大,已经无法准确估计中国大陆GDP。考虑到单一模型越来越不能反映TNL与GDP关系,因此,本文采用简单的组合模型(乘幂和二次项组合模型,两种二次项组合模型,两种乘幂组合模型,二次项乘幂组合模型)研究1992-2017年中国大陆TNL与GDP数据关系。结果表明,乘幂二次项组合模型最优,R~2为0.9938,MARE为6%,精度较高,优于单一乘幂模型拟合。最后,本文利用四种单一模型和乘幂二次项组合模型研究1992-2017年各个省级行政区长时间序列TNL与GDP关系模型,结果各省市最佳单一模型均是乘幂模型,R~2在0.95左右,MARE在15.91%左右。而除了天津,西藏,广西,四川和重庆外,其余省市乘幂二次项组合模型比起单一模型,相关系数更高,GDP估计值与统计GDP相对误差更小,能够更好反映各个省市长时间序序列TNL于GDP关系。此外,在省级尺度上,NPP夜间灯光影像模拟GDP精度(R~2在0.8以上)优于DMSP夜间灯光影像模拟GDP精度(R~2在0.75左右)。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 舒服华;;基于无偏差非齐次灰色模型的河北省GDP预测[J];衡水学院学报;2018年03期
2 牛海生;王元荣;王赓起;孟新伟;李怀胜;;兵团九师“十三五”GDP预测及其关联因素分析[J];数学的实践与认识;2017年20期
3 孙泽华;;中国GDP预测及其与产业结构的关系分析[J];科技经济导刊;2018年19期
4 张旭昌;;基于时间序列分析的河北省GDP预测模型研究[J];改革与开放;2018年21期
5 李军;李辉;刘淼;李苏北;;基于时间序列的多因素耦合下GDP预测研究——以伊犁州为例[J];数学的实践与认识;2018年02期
6 王昊冉;;时间序列分析在我国GDP预测中的应用[J];科技经济导刊;2018年04期
7 顾鹏程;王世新;周艺;刘文亮;尚明;;基于时间序列DMSP/OLS夜间灯光数据的GDP预测模型[J];中国科学院大学学报;2019年02期
8 宋平;邱燕玲;;基于时间序列分析青海省GDP预测[J];时代金融;2018年15期
9 王红超;王红蕾;;基于指数平滑法与回归分析相结合的GDP预测[J];经济研究导刊;2018年07期
10 祖培福;赵文英;谢威;刘芳;张宇姣;;基于背景值优化的GM(1,1)模型在牡丹江GDP预测中的应用[J];数学的实践与认识;2018年01期
11 张敏;党耀国;;基于小波变换的组合预测模型在南京市GDP预测中的应用[J];数学的实践与认识;2018年07期
12 张雅清;;基于灰色——马尔可夫模型的山西省人均GDP预测[J];太原学院学报(自然科学版);2018年01期
13 江泽勇;;皖江城市带产业集群专业镇人均GDP预测分析[J];铜陵学院学报;2018年05期
14 赵国君;张星;;基于改进型灰色预测模型在北京市GDP预测中的应用研究[J];现代商业;2018年34期
15 李南;;基于BP神经网络的江西省GDP预测[J];科技广场;2017年10期
16 胡松华;;BP神经网络模型在湖北省GDP预测中的应用——与时间序列模型的对比分析[J];中南财经政法大学研究生学报;2011年04期
17 邵明吉;任哲勖;赵周慧;郭涛;;ARIMA模型在中国GDP预测中的应用[J];价值工程;2018年09期
18 刘迪;韩松岩;张师;;基于BP神经网络的吉林省GDP预测研究[J];市场周刊(理论研究);2018年01期
中国重要会议论文全文数据库 前1条
1 ;日本降低第三季度GDP预测[A];2015年国际货币金融每日综述选编[C];2015年
中国硕士学位论文全文数据库 前4条
1 顾鹏程;基于时间序列夜间灯光数据的GDP预测模型研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年
2 赵蕾;基于粒子群优化神经网络的GDP预测[D];华北电力大学;2017年
3 周中红;震害快速评估中信息预测和空间分析研究[D];中国地震局兰州地震研究所;2009年
4 张莎;灰色关联分析新算法研究及其意义[D];东北师范大学;2012年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978