摘要
时间序列分析是应用广泛的数量分析方法，主要描述和探索事物随时间发生变化的数量规律，时间序列分析中最典型的ARMA模型和ARIMA模型在近几年的相关研究中有较多的应用并得到广泛关注，而本文基于国家统计局公布的江西省1978—2014年的城镇化水平为分析数据，选择ARIMA模型进行建模处理，一方面是因为ARIMA模型在非平稳时间时间序列分析方面具有独特的优势，另一方面是模型能很好地拟合江西省城镇化发展水平的走势，模型的精度较好反映数据的真实水平。
对于实际问题的分析，结合当前我省城镇化发展水平的形势，本文以有明确记录以来的江西省城镇化率统计数据为依据，并根据SAS软件对这些数据序列的平稳性与纯随机性进行检验，并利用SAS软件处理的结果判断该数据是否为平稳序列且为非白噪声序列，通过对数据进行一阶差分等一系列处理，运用模型拟合数据时间序列，由于时间序列数据之间的相关关系，且历史数据对未来的发展有一定影响，结合对模型有很好预测结果，得出所有预测误差均没有超过１%，而且用来预测未来五年江西省城镇化发展水平达到60%，与省政府预计2020年常住人口城镇化率达到或接近60%的目标基本保持一致，进一步体现了模型拟合的优越性，为对本省未来实现户籍改革一体化、全面提高城市化水平提供了可借鉴的参考且为省政府在制定健全人口信息管理体系政策方面提出建议。
针对分析出的结果以及相关文献资料的查阅，为江西省城镇化发展总结以下几点政策建议：（1）以人为本，科学发展；（2）改革旧体制，消除体制障碍；（3）加大投融资体制改革，多渠道筹措城市建设资金；（4）改善和加强归城镇化的宏观调控。
一、引言
所谓城市化便是伴随经济增长城市增多和城市人口比重上升，首先，城市化是工业化推动的结果，即工业和商业发展形成聚集经济、进而产生对农村劳动力的持续不断的需求；其次，城市预期收入远高于农村，生活条件和个人发展条件比农村优越，因而吸引农村人口大量涌入城市；再次，农村劳动生产率的提高将越来越多的农村劳动力排挤出了农业生产领域，于是农村剩余劳动力就不得不去非农领域特别是城市寻找就业机会。可见，“在一个连续均衡的国民经济中，城市化可能表现为因果链条上的各类事件的最后结果，以导致工业化的贸易和需求的变化开端，以农村劳动力向城市就业的平缓移动为结果。但是，从农村向城市定居迁移的发生早于对劳动力需求的增长，并且越来越由期望的收入决定，而不是现在的工资。因此，除了把城市化看成是生产结构变化的结果以外，还必须把它看成是某种程度上分散的发展过程。此过程受未来收入和对就业的期望，以及政府支出的分配和各种社会因素的影响。”此外，城市化也受到了政府人口流动、迁移和城市就业相关政策的制约，在以时间序列分析中的模型分析中国城市化问题时必须强调的一点。
江西的城镇虽然产生较早，但长期以来商品经济发展缓慢，城市数目少，规模偏小，功能不够健全，因此，拟合模型并预测未来江西省城市化发展水平对于促进我省经济发展，加快城市化进程有重要意义。
二、江西省城市化发展水平的演变过程
在1978—1990年这12年间，江西的城镇化水平较低，平均只有19.31%，年增长率在1%左右，增长速度比较缓慢。从1991—2000年，江西城市化水平将近增长了10%左右，在这一时间段里，城镇化增长率有了一定的提高，但由于这一段时间相关有利影响较多，所以相对而言这段时间的城镇化水平的增长幅度也相对较小。从2001—2010年，江西城市化水平有了较大改观，开始步入城市化的快车道。从江西省城镇化水平的整个发展历程来看，江西的城镇化率在全国的平均水平之下，发展速度也很缓慢，究其原因，与江西省的工业、地理位置、人口等因素有很大关系。江西地处全国中部，多丘陵山区，交通不便，工业欠发达，农村人口基础大。这些因素总体制约了江西城镇化发展水平，所以根据城镇化水
平时序图可以看出江西城镇化水平发展较为缓慢，且具有单调递增趋势，具有显著的非平稳时间序列特征。
进一步考察该序列的样本自相关图，继续检验序列平稳性。所得到的相关图如下：
从自相关图中可以显然看出，自相关系长期位于零轴右侧，具有单调趋势增加的特征。进一步验证了时序图是典型的非平稳时间序列。因此由于序列非平稳，我们之后要对其进行差分运算。
三、江西省城镇化发展水平模型的构建
3.1 ARIMA模型的基本原理与建模步骤
求和自回归移动平均模型（autoregressive integrated moving average model）简称ARIMA（p,d,q）模型，其中AR（p）为自回归模型，MA（q）为滑动平均
模型，p 、q 为各自对应阶数，I 表示两种模型结合，d 为对含有长期趋势、季节变动、循环变动的非平稳时间序列进行差分处理的次数。ARIMA 模型的通式如下：
()()()()()d 20,,0,0,t t t t t s s t B x B E Var E s t Ex s t εεεεσεεε⎧Φ∇=Θ⎪===≠⎨⎪=∀<⎩
式中()d 1d B ∇=-，()11p p B B B φφΦ=---为平稳可逆ARMA （p,q ）模型的自回归系数多项式；()11q q B B B θθΘ=---为移动平滑系数多项式，{εt }为零均值白噪声序列[10]。ARIMA 模型的实质就是差分运算与ARMA 模型的组合，任何非平稳序列只要通过适当阶数差分实现差分后平稳，就可以对差分后序列进行ARMA 模型拟合。
序列ARIMA 建模可以分为六个步骤[11]，如下图：
3.2数据的二阶差分处理及平稳性检验、白噪声检验
在原序列的基础上进行一阶差分，差分后的自相关图和ADF 检验结果如下，从图中我们可以看出，经过一阶差分后，序列没有在基本值附近波动，且ADF 检验可以判断在显著性水平α取值为0.05时P 值较大，序列依旧非平稳，所以考虑继续进行二阶差分。
接下来在原序列的基础上进行二阶差分，差分后时序图、自相关图和ADF 检验如下，从图中我们可以看出，经过二阶差分后，序列基本在一个值上下波动，在显著性水平 取值为0.05时P值较小，可以认为是平稳时间序列。由此，我们可以从分析中基本判断经过二阶差分后的江西省城镇化发展水平时间序列大致平稳。
