基于电力数据的安徽省服务业经济预警研究

苏寒 潘文明 汤永久 赵佳佳 刘晓静

摘 要：为了提升经济预警研究方法的科学性和精确性，强化经济监管预测能力，本文基于安徽省电力数据开展对服务业的经济预警研究，通过时差相关分析方法，建立服务业预警指标体系，结合景气信号灯法、K均值聚类-支持向量机预警模型进行服务业预警研究，并对下一季度安徽省服务业运行状态进行预测。两类预警方法的预测结果相近，即未来短期内安徽省服务业发展将逐步恢复正常平稳状态。

关键词：服务业预警；景气信号灯；K均值聚类；支持向量机

中图分类号：F2     文献标识码：A      doi：10.19311/j.cnki.16723198.2023.19.003

0 引言

2020年5月中共中央國务院出台的《关于新时代加快完善社会主义市场经济体制的意见》指出，要强化经济监测预测预警能力，充分利用大数据、人工智能等新技术，建立重大风险识别和预警机制。当前我国经济面临复杂严峻的内外部环境，经济发展承压，服务业经营尤为困难，及时跟踪服务业运行形势并识别风险，将能助政府及时、精准地制定应对政策，有针对性地激活消费市场活力，推动服务业平稳健康发展。

目前，关于宏观经济预警研究方法较多，其中景气预警方法应用较为广泛，赵月旭等围绕服务业自身及其他宏观因素构建景气预警指标体系，通过合成指数法编制浙江省服务业景气指数，并延伸构建景气信号灯，结合马尔可夫链模型预测下一季度的预警信号；刘春涛等提取旅游产业关键经济指标合成旅游业景气指数，运用3σ法设置警兆指标的预警区间，在此基础上对旅游产业发展状况预警。在景气预警方法之外，计量模型、机器学习等方法也被逐渐引入至预警研究中，赵振全等运用离散选择模型Probit及反映概率图等经济计量方法，基于国际收支预警宏观经济景气状况；师梦珂使用综合模拟法找出旅游业经济运行警兆指标，依据其波动划分等级，再结合熵权法确定权重，得到旅游经济综合预警指数，从而判断旅游经济发展现状是否合理及其程度；闫春等采用中国经济景气监测中心发布的宏观经济预警指标体系，基于卷积神经网络模型和支持向量机的预警模型（CNN-SVM）提取特征变量，得到SVM多分类结果，以不同分类结果设置不同预警等级，实现监测预警宏观经济运行情况。综合经济预警的研究现状，可以看出，针对宏观经济预警的研究理论已较为成熟，模型及方法也在不断完善和改进，但目前预警体系多仅为宏观经济类指标，同时针对服务业的预警频度一般为季度，存在预警不及时的情况，并导致决策发布迟缓。

本文针对服务业月度预警，引入宏观经济、产品产量、价格等指标和与经济密切相关的电力类指标构建预警体系，再采用景气信号灯、K均值聚类-支持向量机预警算法预测服务业未来发展趋势，构建一套完整的适用于服务业的预警监测系统。

1 安徽省服务业经济预警体系构建及研究方法

1.1 预警变量选择及数据处理

考虑经济指标存在周期性，且经济运行形势的变化，在相关产品产量、行业增加值、投资、价格指数、其他宏观经济指标，以及相关电力指标上均会有所体现，结合数据可得性，基于关联性、周期性等原则，选取与服务业经济紧密相关的产业链及表征宏观背景、政策转换等指标作为预警备选指标。同时借鉴时差相关分析法对指标进行筛选，构建预警指标体系。研究中首先选取服务业增加值同比增速作为基准指标，然后开展预警备选指标与服务业增加值增速分析，获得指标的先行滞后性，明确先行滞后阶数及时差相关系数大小，选取相关性强且与服务业经济关联的先行、一致指标构建出服务业经济预警指标体系，如表1所示。

本文使用的数据均为月度增速序列，样本区间为2018年1月至2022年6月，针对服务业增加值增速不公布月度序列情况，采用插值法将季度服务业增加值增速序列转换为月度序列，并对转折拐点按限上消费走势修正，从而更及时地监测分析服务业运行状况。在将备选指标与基准指标作对比分析之前针对增长率序列使用X13-ARIMA-SEATS模型进行季节调整，从时间序列中去除季节变动要素的干扰。

1.2 预警研究方法

1.2.1 景气信号灯法

景气信号灯是一种将多个指标合并成能反映市场景气情况的综合性指数的预警方法，以预警灯号的形势反映经济运行所处的状态。预警灯号设置蓝色、浅蓝色、绿色、黄色、红色5种颜色，分别代表经济状况中过冷、偏冷、正常、偏热、过热5种情形。

指标的预警灯号临界值采用落点概率法确定，参见表2。红色区域表示15%的样本超过红灯警戒线，预警值记5分；黄色区域表示20%的样本位于红灯警戒线和绿灯上界线之间，记4分；绿灯区域表示50%的样本位于绿灯上界线与绿灯下界线之间，记3分；浅蓝区域表示20%的样本位于绿灯下界线与蓝灯警戒线之间，记2分；蓝灯区域表示15%的样本位于蓝灯警戒线之下，记1分。基于各指标所处预警灯区范围，结合指标权重占比，得到综合预警值及预警状态。

1.2.2 K均值聚类-支持向量机预警模型

无论是通过设定预警规则划分警情，还是依靠预警模型判定警情归属，都是可以看成分类的过程。分类问题按照训练样本的有无，分为监督学习和非监督学习两种。K均值聚类属于无监督学习方法，可以对未知样本进行聚类；支持向量机属于监督学习方法，需要训练样本来建立分类模型，这两种算法互为补充。通过将K均值聚类算法和支持向量机相结合，可以建立组合预警模型，基本思想为：利用K均值聚类算法，得到不同类别的样本，作为支持向量机模型的训练集，模型经过“学习”后，对待测样本进行预测。

（1）K均值聚类。

K均值聚类主要思想通过迭代把数据子集划分为不同的分类，使得聚类性能的评价准则函数到达最优，最终得到的各个聚类内部相似，类间独立。其中，准则函数为聚类集中每一个样本点到该类中心的距离的平方之和，使其最小化即达到最优，公式如下：。

∑kj=1∑Nji=1‖Xi－Zj‖2，Xi∈Sj（1）

其中，Sj是第j个聚类集，聚类中心为Zj；Nj是第j个聚类集Sj中所包含的样本个数。

（2）支持向量机。

支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。根据最优化理论可知，这种规划问题存在唯一一个全局最小值。运用Lagrange乘子法，并使其满足KKT（Karush-kuhn-Tucher）条件：

at［yt（wxt+b）－1］=0（2）

得到最优分类函数为：

f（x）=sgn（w*·x+b*）

=sgn∑kt=1a*tyt（xt·x）+b*（3）

其中，a*、b*为确定最优划分超平面的参数，xt·x为两个向量的点积。

对于非线性分类问题，在最优分类面中选择合适的内积函数K（xi，xj），即可以分类非线性变换后的线性空间，对应的分类函数演变为：

f（x）=sgn∑kt=1a*tyt（xt·x）+b*（4）

其中，核函数包括有线性核函数、多项式核函数、径向基核函数及神经网络核函数等。

（3）K均值聚类-支持向量机预警模型。

基于K均值聚类-支持向量机预警流程如下：确定预警指标体系、设定预警规则及等级、构建预警模型并调试优化。其中，预警指标体系按表1设置；预警规则按K均值聚类结果设定，即将预警目标（服务业月度增加值增速）聚为5类，由低到高分别归属为过冷、偏冷、正常、偏热、偏冷5类状态，预警目标状态类别与预警指标体系共同构成了分类样本；基于分类样本构建支持向量机预警模型，通过划分训练集和测试集，以训练集训练模型，以测试集验证模型，按不同核函数形式下的预警准确率高低情况调试优化模型，得到优化后的预警模型。

一般而言，通过构建的景气信号灯、K均值聚类-支持向量机预警模型，结合预警指标体系序列值，即可以得到服务业预警状态预测值。但对于样本外预警，此时预警指标体系序列值不足，需先引入ARIMA模型预测并补足预警指标体系序列，再结合预警模型得到预警状态样本外预测值。

2 结果与分析

2.1 景气信号灯预警

2019-2022年安徽省服务业经济预警指数趋势如图1，2019年，服务业发展基本处于绿灯、黄灯稳定偏热区，随着2020年疫情冲击造成服务行业预警指数较长时间处于浅蓝灯、蓝灯区域，在复商复市政策支撑下，2020年8月预警指数开始转入绿灯稳定区；在疫情形势转稳后需求端复苏叠加上年低基数影响，2020年11月至2021年6月服务业运行趋热，随后落回绿灯稳定区；2021年11月以来，安徽省疫情频发、多发，预警指数进一步跌落至浅蓝灯区、蓝灯区。根据预测，下一季度，即2022年7月起行业预警指数将回暖至绿灯区，且持续上行，短期内服务业运行延续平稳恢复态势。

2.2 K均值聚类-支持向量机预警

通过K均值聚类得到服务业经济5个类别聚类中心，由低到高分别为3.37%、4.87%、6.3%、7.78%和8.98%，分别归属过冷、偏冷、正常、偏热和过热状态，对于各预警目标数据，按最接近的某个聚类中心，判定其处于对应的预警状态。

基于服务业预警状态时序值，结合预警指标体系，建立支持向量机预警模型，选择从2018年1月到2021年12月的数据构建训练集训练模型，并进一步选择核函数（线性、多项式、径向基和神经网络核函数），通过表4可知线性核函数得到的预测精度最高。

按线性核函数测试模型，在测试集中，预警结果如表3所示，从中可知服务业在此期间运行均为“冷”状态，其与聚类得到的服务业运行类别（可看成实际预警状态）的冷状态一致，但“冷”的程度在部分月份中存在一定差异，模型具备一定的可靠性。对于样本外（2022年7-9月）预警，支持向量机预警模型显示安徽省服务业运行逐渐由偏冷向正常转变。

两类预警方法均认为服务业走势逐步趋好，但不同的是，支持向量机模型预警对于2022年7月预警仍然保持谨慎，直到2022年8月起预警值则与景气信号灯预警一致，即服务业业运行将处于正常平稳状态，总体而言，对于下一季度，两种方法预警结果有微弱差异，但整体相近，即未来短期内安徽省服务业发展仍将逐步恢复至正常平稳。

3 结语

本文基于安徽省电力数据开展对服务业经济的预警研究，通过时差相关分析方法，构建预警指标体系，结合景气信号灯法、K均值聚类-支持向量机预警模型进行服务业经济预警研究，并对下一季度预警状态进行预测。结果表明，受疫情多次反复影响，雖然2022年上半年服务业运行基本保持“冷”状态，但对于下一季度，两种方法预警结果均显示，短期内安徽省服务业发展仍逐步恢复正常平稳。服务业作为产业链下游行业，随着未来防疫政策调整，服务业恢复程度的不确定性较大，但在全产业链式协同复工复产背景下，服务业继续恢复的态势没有改变，对宏观经济整体的支撑作用继续稳固。

参考文献

［1］赵月旭，邓巍.浙江省服务业景气指数测度及预警[J].统计与决策，2021，（16）.

[2]刘春涛，刘馨阳.沈阳市旅游产业景气指数测度及预警研究[J].国土与自然资源研究，2019，（4）.

[3]赵振全，刘柏.基于国际收支的宏观经济景气预警研究[J].吉林大学社会科学学报，2007，（03）.

[4]师梦珂.陕西省旅游经济运行预警研究[J].现代营销，2020，（12）.

[5]闫春，程悦，孙晓红，等.基于卷积神经网络和支持向量机的宏观经济监测预警模型及应用[J].统计与决策，2021，（14）.

[6]黄东，黄文东.基于K均值聚类及模糊支持向量机的海洋灾害风险预警方法[J].数字技术与应用，2015，（2）.