下载文档原格式
城镇居民消费支出与收入的预测模型(一)摘要]本文根据2000年～2006年十堰市城镇居民消费性支出与可支配收入基本数据，应用灰色预测模型对未来几年十堰市居民可支配收入进行了预测，应用线性回归模型对居民消费支出与可支配收入之间的数量关系的基本规律进行研究，并对其消费走势进行了预测分析，为制定新一轮的经济政策提供了决策依据。
关键词]可支配收入消费性支出灰色模型线性回归近年来，我国经济快速发展，十堰市的经济也取得了长足的进步，随着居民可支配收入的增加，居民的消费支出也随着增加。
目前，消费已成为制约经济发展的瓶颈，分析城镇居民消费支出与收入之间数量关系的基本规律，了解城镇居民消费支出与收入的情况及特点，掌握城镇居民消费支出与收入的变化趋势，采用适当方法，对未来几年城镇居民的消费支出与收入进行预测，帮助有关部门和经营者制定经济政策进而实施宏观调控等，对刺激经济持续、健康发展具有重要意义。
本文通过对十堰市城镇居民年可支配收入和年消费性支出的建模分析，讨论了其相互关系、发展规模和未来发展趋势等，为制定新一轮的经济政策提供了决策依据。
一、收入水平的预测1.居民的经济收入的高低直接决定、影响着消费水平。
收入水平的准确与否直接影响着消费规模的预测，这里对收入水平的预测采用数学模型中的灰色预测模型。
灰色模型（GreyModel）简称GM模型，是灰色系统理论的基本模型，也是灰色控制理论的基础。
灰色系统理论建模的主要任务是根据社会、经济、技术等系统的行为特征数据，找出因素本身或因素之间的关系，从而了解系统的动态行为和发展趋势。
2.预测模型GM（1，1）设,做1—AGO,得,建立白化形式的微分方程设，按最小二乘法得到，其中易求得，微分方程的解为3.模型的建立。
以2000年～2006年十堰市城镇居民人均收入情况为观测值，建立GM（1，1）预测模型。
数据来源于《十堰统计年鉴（2007）》，见表1。
令表1提供的人均可支配收入的数据为X(0)(i)（i=1,2∧，7，得到相应的累加生成序列：构造累加矩阵常数项在Mathematica4.0中求解得得所以建立预测模型：即（1）4.模型的检验(1)残差检验。
经济预测与决策题目姓名所在学院专业班级学号指导教师日期年月日指导教师评阅意见学生姓名专业班级学号（论文）题目指导教师教师职称论文评语评定成绩：指导教师签名：年月日我国居民消费价格指数（CPI）的回归分析与预测07级经济学1班李栋指导教师米娟摘要：目前，我国居民消费价格指数成为公众关注的热点名词，也直接影响着国民经济的稳定发展与人民生活水平的改善。
从理论上分析居民消费价格指数的影响因素，建立一个经济模型，对了解和掌握居民消费价格指数的变化具有重要的现实意义。
本文采用线性回归分析方法，力图对居民消费价格指数的变化进行分析。
关键词：消费价格指数回归分析经济预测1.引言居民消费价格指数（CPI）是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标。
CPI虽然是一个滞后指标，但它往往是市场经济活动与政府货币政策的一个重要参考指标。
如果CPI的增幅过大，表明通胀已经成为经济不稳定因素，央行会有紧缩货币政策和财政政策的风险，从而造成经济前景不明朗，因此，该指数过高的升幅往往不被市场欢迎。
现阶段，随着经济全球化的大趋势和中国的进一步融入，我国的经济稳定发展越来越受到国内、国际的关注，CPI稳定、就业充分及GDP增长已经成为我国最重要的社会经济目标。
尤其在面对国内经济在市场宏观的调节下，消费水平、利率、商品价格潜移默化的影响着百姓的生活，因此，对CPI的分析预测已经显得越发重要。
2.影响因素分析和数据的搜集整理2.1有关影响因素的定性分析对居民消费价格指数（CPI）构成影响的因素有很多，如宏观经济发展水平、中长期经济发展战略和当前的经济政策，具体到国民经济运行的指标中来，有以下几个方面：（1）居民消费水平指数。
居民消费水平是指居民在物质产品和劳务的消费过程中，对满足人们生存、发展和享受需要方面所达到的程度。
通过消费的物质产品和劳务的数量和质量反映出来。
居民消费水平与居民消费价格指数的关系十分密切和直接，收入的增长，消费水平的提高，自然会引起社会总需求的增长，进而导致消费价格指数的增长。
《居民消费的定量研究——方法与应用》篇一一、引言随着经济持续发展和人民生活水平的提高，居民消费已经成为驱动经济持续增长的重要因素之一。
居民消费行为的变化、特点以及规律对于制定和实施宏观和微观政策具有重要的参考价值。
然而，要深入理解居民消费行为，需要借助定量的研究方法。
本文旨在探讨居民消费的定量研究方法及其应用，以期为相关研究提供参考。
二、居民消费的定量研究方法（一）描述性统计分析描述性统计分析是居民消费定量研究的基础方法。
通过收集和整理大量数据，描述消费者的人口特征、消费习惯、消费结构等方面的信息。
利用统计图表和指标等工具，揭示消费者消费行为的规律和特点。
（二）回归分析回归分析是探究变量之间关系的重要方法。
在居民消费研究中，回归分析可以用于研究各种因素对居民消费的影响程度，如收入、价格、政策等。
通过建立回归模型，分析这些因素与居民消费之间的数量关系，揭示其内在规律。
（三）时间序列分析时间序列分析是通过研究某一变量在不同时间点的数据变化，揭示其变化规律和趋势的方法。
在居民消费研究中，时间序列分析可以用于研究居民消费随时间的变化情况，如季节性变化、长期趋势等。
通过建立时间序列模型，预测未来居民消费的变化趋势。
（四）面板数据分析面板数据分析是结合时间序列和横截面数据的方法，可以同时考虑个体差异和时间变化对居民消费的影响。
通过面板数据模型，可以更准确地估计各种因素对居民消费的影响程度，揭示不同个体之间的差异和共同点。
三、居民消费的定量研究应用（一）政策制定与评估定量研究方法可以用于政策制定和评估。
通过收集和分析相关数据，了解居民消费行为的规律和特点，为政策制定提供科学依据。
同时，通过建立政策模拟模型，评估政策对居民消费的影响程度，为政策调整提供参考。
（二）市场分析与预测定量研究方法可以用于市场分析和预测。
通过分析消费者的人口特征、消费习惯、消费结构等信息，了解市场需求和趋势。
同时，通过建立预测模型，预测未来市场变化和消费者行为变化，为企业制定营销策略提供参考。
数据来源：1990-2011年《中国统计年鉴》我国居民消费价格指数的短期预测研究王素梅（哈尔滨民政工业总公司，黑龙江哈尔滨150020）[摘要]运用CPI 预测模型对我国物价总水平的短期预测研究表明：经济发展的速度与物价的上涨幅度呈正比，物价上涨与经济发展关系密切。
CPI 增长过快影响居民生活水平和社会稳定，也不利于经济的协调、可持续发展。
政府应继续把稳定物价总水平做为宏观调控的重点之一，充分利用财政、货币、金融等多种调控手段，确保物价水平可控、经济平稳较快发展。
[关键词]居民消费；价格指数；短期预测；预测研究[中图分类号]F270[文献标识码]B[收稿日期]2012-02-07第2012年第3期（总第393期）商业经济SHANGYE JINGJINo.3，2012Total No.393[文章编号]1009-6043（2012）03-0033-02近些年来，物价问题始终是宏观经济研究中的热门话题。
自2007年年初美国爆发次贷危机以来，我国以猪肉为代表的食品价格大幅上涨，导致2007年多个月份的CPI 的同比涨幅超过6%，突破了3%的调控目标。
在经历了2008年高通货膨胀预期，以及2009年以来CPI 指数连续多个月的同比负增长后，有学者指出：我国在经历了2008年高通胀预期以后，是否迎来了通货紧缩？对于该问题，在当前的学术界争议颇大，然而，无论高通货膨胀还是恶性通货紧缩都是既有害于改革和发展，也不利于政治、经济和社会的稳定，这是众所周知的事实。
CPI 指数作为测定通货膨胀的通用指标之一，如何着眼当前的经济环境，应用有效的理论对CPI 涨跌的路径进行实证分析，无疑具有重要意义。
一、居民消费价格指数的相关概念及构成(一)居民消费价格指数的内涵居民消费价格指数，是反映一定时期内城乡居民所购买的生活消费品价格和服务项目价格变动趋势和程度的相对数，是对城市居民消费价格指数和农村居民消费价格指数进行综合汇总计算的结果。
第二章一元线性回归模型案例一、中国居民人均消费模型从总体上考察中国居民收入与消费支出的关系。
表2.1给出了1990年不变价格测算的中国人均国内生产总值（GDPP）与以居民消费价格指数（1990年为100）所见的人均居民消费支出（CONSP）两组数据。
1) 建立模型，并分析结果。
输出结果为：对应的模型表达式为：201.1070.3862CONSP GDPP =+(13.51) (53.47) 20.9927,2859.23,0.55R F DW ===从回归估计的结果可以看出，拟合度较好，截距项和斜率项系数均通过了t 检验。
中国人均消费增加10000元，GDP 增加3862元。
二、线性回归模型估计表2.2给出黑龙江省伊春林区1999年16个林业局的年木材采伐量和相应伐木剩余物数据。
利用该数据（1）画散点图；（2）进行OLS 回归；（3）预测。
表2.2 年剩余物y 和年木材采伐量x 数据（1）画散点图先输入横轴变量名，再输入纵轴变量名得散点图（2）OLS估计弹出方程设定对话框得到输出结果如图：由输出结果可以看出，对应的回归表达式为：ˆ0.76290.4043t t yx =-+ (-0.625) (12.11)20.9129,146.7166, 1.48R F DW === （3）x=20条件下模型的样本外预测方法首先修改工作文件范围将工作文件范围从1—16改为1—17确定后将工作文件的范围改为包括17个观测值，然后修改样本范围将样本范围从1—16改为1—17打开x的数据文件，利用Edit+/-给x的第17个观测值赋值为20将Forecast sample选择区把预测范围从1—17改为17—17，即只预测x=20时的y的值。
由上图可以知道，当x=20时，y的预测值是7.32，yf的分布标准差是2.145。
三、表2.3列出了中国1978—2000年的参政收入Y和国内生产总值GDP的统计资料。
做出散点图，建立财政收入随国内生产总值变化的一元线性回归方程。
Tourism Planning旅游规划基于ARIMA模型的城乡居民国内旅游 人均消费的预测李孟群（暨南大学深圳旅游学院，广东深圳 518053）摘 要：旅游业是我国经济发展的重要领域之一，在旅游市场中城镇居民和农村居民的国内旅游人均消费呈现出不同的发展趋势。
以往的研究缺乏对城镇居民和农村居民的对比和预测，为了分别研究城镇居民和农村居民国内旅游人均消费的发展情况，本文选取2002年至2021年的旅游数据，采用ARIMA模型对未来几年的数据进行预测，得出结论：农村居民国内旅游人均消费的增长速度更快，未来农村居民的旅游消费水平也将持续快速增长。
最后对未来我国城乡居民国内旅游的经济增长提出建议，为相关部门制定政策提供参考，以期促进我国旅游业进一步发展。
关键词：城乡居民；国内旅游；人均消费；ARIMA模型中图分类号：F592.7 文献标识码：A引言近年来我国居民的生活水平不断提高，消费情况发生了很大的变化，其中旅游是居民消费支出的一部分。
影响城乡居民旅游消费支出的因素有很多，其中最主要的有三个：旅游消费意愿、旅游实际购买力、闲暇时间。
自从实行每周五天工作制以来，人们的闲暇时间增多[1]。
同时，城乡居民的收入不断增加，国家统计局数据显示，2022年城镇居民和农村居民人均可支配收入分别较去年增长3.9%和6.3%，这促进了城乡居民旅游消费需求的增长和旅游消费意愿的增强，因此，城乡居民的国内旅游人数和国内旅游消费均有所增长。
城镇居民和农村居民旅游消费增长的速度并不相同。
2003年起，我国高度重视农村、农业、农民的“三农”问题，制定了一系列政策和措施，帮助农民增加收入、改善生活条件、促进农村居民的旅游消费[2]。
2017年，我国提出乡村振兴战略，并逐步实施。
我国城市居民和农村居民的旅游资源、旅游设施、旅游服务等存在一定的差异，就大趋势而言，近年来农村居民旅游的发展速度比城市居民的发展速度更快。
本文从计量经济学角度，运用时间序列分析中的ARIMA模型，对城镇居民和农村居民国内旅游人均消费的数据进行处理、分析、检验等，得出其发展的规律和趋势，并对未来几年的数据进行预测。
中国农村居民家庭消费结构分析基于QUAIDS模型的两阶段一致估计一、概述随着中国经济社会的快速发展，农村居民家庭消费结构正在发生深刻的变化。
为了深入探究这一变化背后的规律和特点，本文采用QUAIDS模型进行两阶段一致估计，对中国农村居民家庭消费结构进行了全面细致的分析。
QUAIDS模型（Quadratic Almost Ideal Demand System）作为一种先进的经济学模型，能够基于消费者效用最大化的假设，有效地估计消费者对各类商品的需求响应程度。
我们运用该模型对农村居民家庭的各类消费支出进行了深入研究，包括食品、衣着、耐用品、交通通讯、文化教育、医疗保健等多个方面。
通过对这些消费支出的分析，我们旨在揭示农村居民家庭消费结构的现状、特点及趋势，进而为相关政策制定提供科学依据。
本文还通过对比不同收入水平和地区之间的差异，进一步探讨了消费结构变化的深层次原因。
本文基于QUAIDS模型的两阶段一致估计方法，对中国农村居民家庭消费结构进行了全面而深入的分析，旨在为推动农村经济社会的持续健康发展提供有益的参考和启示。
1. 农村居民家庭消费结构问题的研究背景与意义《中国农村居民家庭消费结构分析基于QUAIDS模型的两阶段一致估计》文章段落生成随着中国经济的快速发展和城乡一体化进程的推进，农村居民家庭消费结构问题逐渐凸显，成为社会各界关注的焦点。
农村居民的收入水平不断提高，消费能力逐渐增强，其消费结构也在发生深刻变化。
与此农村居民家庭消费结构中也存在一些问题，如消费结构单消费层次不高、消费环境不完善等，这些问题不仅制约了农村居民生活质量的提升，也影响了农村经济的可持续发展。
在这样的背景下，对农村居民家庭消费结构进行深入分析，具有重要的理论和现实意义。
消费结构作为反映居民生活水平的重要指标，是衡量农村经济发展状况的重要依据。
通过分析农村居民家庭消费结构，可以深入了解农村居民的消费行为、消费偏好和消费水平，为制定针对性的农村经济发展政策提供科学依据。
中国居民消费价格指数预测李隆玲;田甜;武拉平【摘要】利用1994-2013年中国居民消费价格指数的统计数据,建立AR IMA模型并对2014年中国居民消费价格指数进行预测分析.结果显示,建立的模型预测误差较小,可以对居民消费价格指数进行有效短期预测.以此模型对2014年1-12月居民消费价格指数进行预测,结果表明未来1年物价总水平基本稳定,居民消费价格指数同比涨幅将在3.0％以内.【期刊名称】《农业展望》【年(卷),期】2014(010)007【总页数】5页(P75-79)【关键词】居民消费价格指数;ARIMA模型;预测;自相关函数;偏自相关函数【作者】李隆玲;田甜;武拉平【作者单位】中国农业大学经济管理学院北京100083;中国农业大学经济管理学院北京100083;中国农业大学经济管理学院北京100083【正文语种】中文居民消费价格指数（CPI）直接关系着人们的日常生活，是政府和人们十分关注的热点问题[1]。
CPI是用来度量一定时期内居民生活消费品和服务价格水平随着时间变动的相对数指标，综合反映居民购买的生活消费品和服务价格水平的变动情况。
CPI不仅同人们的生活密切相关，而且在整个国民经济价格体系中也具有重要的地位。
本研究利用Eviews软件分析我国1994—2013年消费价格指数的统计数据，建立ARIMA模型，并对2014年的居民消费价格指数进行预测。
1 数据来源及处理本研究运用的原始数据是以上年同月为100的1994年1月—2013年12月的CPI同比数据。
由于同比指数本身剔除了一部分季节因素，季节差分效果不明显，所以时间序列分析都是在定基比指数的基础上进行的，这样才能保证季节差分具有明显效果[3]。
因而，选定1993年为基准年，通过同比CPI折算定基比CPI，记作CPID。
其中，2013年1—12月的数据将作为检验预测效果使用。
由1994—2013年的居民定基消费价格指数的折线图（图1），可知定基比CPI呈现出明显的上升趋势，季节波动的周期为12个月[5]。
居民消费价格指数的时间序列模型分析一、居民消费价格指数居民消费价格指数(CPI)，作为一种常用的总体价格水平指标，是反映居民购买并用于消费商品和服务项目价格水平的变化趋势和变动幅度的统计指标，用来度量消费者在购买商品和劳务时的花费。
价格稳定对于一个国家来说至关重要，一个稳健运行的市场系统要求价格能够准确、迅速地传递稀缺资源的信息，并且通过价格机制来调节资源配置。
居民消费价格指数还是衡量通货膨胀的重要指标。
研究居民消费价格指数的发展特征及其未来发展趋势，使价格水平稳定在有利于经济发展的合理水平是十分必要的。
时间序列分析就是一种根据动态数据揭示系统动态结构和规律的统计方法，其基本思想是根据系统的观测数据，建立能够比较精确地反应时间序列中所包含的动态依存关系的数学模型，并借此对系统的未来行为进行预测。
因此，由时间序列模型分析居民消费价格指数的发展变化趋势，并对短期内的居民消费价格进行预测具有重要的意义。
二、居民消费价格指数的时间序列模型分析时间序列分析是一种应用广泛的数量分析方法，它主要用于描述和探索事物随时间变化的数量规律性。
时间序列分析模型主要有ARMA 模型和ARIMA模型。
ARMA模型只能用于平稳时间序列的分析。
然而，在实际的经济和生活中绝大部分的时间序列是非平稳的，但对这些非平稳的时间序列经过差分后就会显示出平稳时间序列的性质，这时称非平稳时间序列为差分平稳时间序列。
对差分平稳时间序列可以用ARIMA模型拟合。
1．数据的收集及平稳性检验选取1996年1月～2013年11月我国居民消费价格指数为样本数据(数据来源于《中国统计年鉴》及东方财富网)，运用EViews软件对数据进行处理。
研究时间序列之前，首先要对其平稳性和随机性进行检验，目的是对平稳且非随机序列进行研究。
由图1时序图可以看出:1996～1998年居民消费价格指数大幅下降;在1998～2003年间，居民消费价格指数小幅度上下震荡;2004年至今，大幅度波动震荡。
城镇居民消费水平的预测作者：罗世超来源：《价值工程》2013年第25期摘要：本文根据1978-2009年的数据建立了Logistic与GM（1，1）模型，并预测了2010-2020年我国城镇居民消费水平指数。
最后基于Logistic模型的缺点考虑阻滞因素对Logistic模型进行改进，得到了与GM（1，1）模型预测精度接近的模型，同时还能避免GM （1，1）模型在中后期预测出现无限增长的情况。
Abstract： According to the data from 1978 to 2009， this paper established Logistic and GM （1，1） model and predicted the urban residents consumption level from 2010 to 2020. Finally，based on the shortcomings of Logistic model and considering blocking factor， it improved the Logistic model and obtained the model whose prediction accuracy is close to the GM （1，1）model， while avoiding the infinite growth situation of GM （1，1） model in late prediction.关键词：城镇居民消费水平；Logistic模型；GM（1，1）灰色预测模型；Logistic模型的改进Key words： urban residents consumption level；Logistic model；GM （1，1） gray prediction model；improvement of Logistic model中图分类号：O21.3 文献标识码：A 文章编号：1006-4311（2013）25-0010-030 引言2020年是我国步入小康社会的关键一年，为了使我国社会主义经济更加发展，逐步实现三步走战略而最终实现共产主义，因此有必要提高社会的消费水平，从而提高整个国家的经济水平，带动整个国民经济的发展，提升我国的国际战略地位。
统计与管理二○一五·三统计聚焦北京地区居民消费价格指数的组合预测研究顾 雪摘 要：本文采用了从1995年1月至2014年1月北京地区CPI的月度数据。
首先对其进行了灰色预测、移动平滑以及时间序列预测的方法，建立了北京地区CPI指数的单项预测的模型，并对各单项模型的优缺点进行了比较分析；其次采用标准差法进行权重分配，建立北京市CPI的组合预测模型，使其发挥了三种模型各自的优势，该模型在北京地区CPI指数预测中具有广泛的应用前景。
关键词：CPI 灰色预测 移动平均 ARIMA 组合预测DOI：10.3969/j.issn.1674-537X.2015.03.001一、引言随着全球经济发展的迅速发展，世界多极化趋势，各个国家越来越侧重于对经济的发展。
居民消费价格指数的研究，为各级党政领导研究和制定居民消费价格政策、国民经济体系，对我国经济发展具有重要意义。
通过已有的文献资料参考，主要想针对北京地区的消费情况进行分析。
预测模型中，还没有人用过组合预测对CPI数据进行拟合，本文主要侧重于组合预测分析。
进行三种单项预测，灰色预测、移动平均预测、建立ARIMA模型，对数据进行建模分析和预测，得到CPI的发展变化情况具有趋势效应。
对三种方法的预测值，求各自的权重。
计算新的组合预测模型，对CPI进行更好的拟合预测。
二、灰色预测灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。
灰数的生成，就是从杂乱中寻找出规律。
同时，灰色理论建立的是生成数据模型，不是原始数据模型。
灰色预测的数据是通过生成数据的GM(1,1)模型所得到的预测值的逆处理结果。
利用灰色预测系统建立北京地区CPI指数的GM（1,1）模型， 如下：将所建模型进行后验差检验，计算小误差概率。
经计算，该模型p=1。
查有关统计检验表，该模型的方差比略大于0.35，可知该模型为较好的模型，可以预测。
灰色预测结果年份Feb-14Mar-14Apr-14May-14Jun-14Jul-14Aug-14Sep-14Oct-14Nov-14Dec-14预测值148.97149.027101.09149.15149.21149.27149.33149.38149.44149.5149.56三、移动平均预测移动平均，就是每当得到一个最近时期的数据，就立即把它当做有效数据，而把最老的那个时间数据剔除掉，重新计算出一个新的平均值，用它来预测下一时期数据。
城镇居民消费结构模型城镇居民消费结构是指城镇居民在日常生活中所进行的消费活动，包括食品、衣着、居住、交通、教育、医疗等方面的支出。
消费结构模型用于描述、分析和预测城镇居民消费行为的特点和趋势。
本文将介绍城镇居民消费结构模型的原理、应用及影响因素。
一、城镇居民消费结构模型的原理城镇居民消费结构模型的构建基于以下几个原理：1. 收入水平决定消费水平：城镇居民的收入水平是决定其消费水平的重要因素。
收入水平高的居民在各个消费领域都有更高的支出，而低收入群体则在基本生活需求上花费更多。
2. 人口结构影响消费结构：年龄、性别和家庭结构等人口因素会对城镇居民的消费结构产生影响。
例如，年轻人更倾向于追求时尚和娱乐，而老年人更注重医疗和养老方面的支出。
3. 社会变迁引发消费结构变化：随着社会的发展、技术的进步和生活方式的改变，城镇居民的消费结构也在不断演变。
新兴行业的兴起和消费习惯的改变都会对消费结构产生影响。
二、城镇居民消费结构模型的应用城镇居民消费结构模型的应用主要体现在以下几个方面：1. 政策制定参考：通过对城镇居民消费结构的研究和分析，政府可以了解不同消费领域的需求情况，从而制定相关政策，促进经济发展和社会稳定。
2. 市场调研分析：对城镇居民消费结构的调研能够为企业提供市场情报，帮助其了解目标消费群体的需求，选择合适的产品和定价策略。
3. 个人理财规划：通过了解城镇居民消费结构，个人可以根据自身情况进行理性消费规划，合理安排支出，提高生活质量。
三、影响城镇居民消费结构的因素城镇居民消费结构的形成受到多种因素的影响，主要包括：1. 财产收入：城镇居民的财产收入是其消费决策的重要依据。
财产收入包括房产、股票、投资收益等非劳动性收入。
2. 劳动收入：城镇居民的劳动收入是其主要经济来源，直接影响其消费行为和消费结构。
3. 政策和规定：政府的政策和规定对城镇居民的消费结构也具有重要影响。
例如，税收政策、医疗保险制度等都会对居民的消费倾向产生影响。
第3章居民消费预测模型建立
3.1变量的选择
对于消费影响因素的相关的研究理论，国内的相关的研究成功是非常多的，但是从国内的相关的研究成功多数情况来看，变量的选择一般情况下考虑的较少，本文比较全面的考虑了居民消费影响因素，根据神经网络模型对于他们进行分析，具体的变量的选择如下表所示：
表3-1 居民消费影响因素变量的选取与定义
从表3-1居民消费影响因素变量的选取与定义中可以看出来，本文共选取了16个变量，考虑因素非常全面，因变量y:居民消费水平，也就是本文待研究的性能指标。
居民消费影响因素自变量：经济因素方面，本文一个选取7个，分别是X1-X7，从前面分析可以看出来迄今为止，第一产业只占有中国总体GDP的1%-3%左右，因此本文不作考虑。
居民消费影响因素自变量：社会因素方面，本文一个选取6个，分别是X8-X13，这里需要解释的是就只有一个也就是X13：城乡收入差距，X13值的确定以基尼系数来进行确定的，具体的方法可参考李权葆(2013)的阐述与其观点的研究。
居民消费影响因素自变量：其他因素方面，本文一个选取3个，分别是X14-X17。
3.2数据来源
本文选择以中国年鉴1978-2018年作为时间跨度。
上述指标的选取主要来源有《各年度中国人类发展报告》（各年份），《中国统计年鉴》（各年份），《中国知网》，《中国环境统计年鉴》（各年份），《中国教育统计年鉴》（各年份）等数据来源。
中国居民人均GDP= 中国居民总产出（GDP总额）/中国居民总人口；
中国居民平均受教育年限=（6*T小学+9*T初中+12*T高中+16*T大专以上）/（T小学+T初中+T高中+T大专以上）。
其中，T为中国居民各学历教育人口的具体数目，中国居民各学历教育人口具体的人数数据来源于《中国教育统计年鉴》。
3.3模型的建立
从表3-1居民消费影响因素变量的选取与定义以及，影响消费支出因素的分析，这里就可以进一步的建立中国居民消费支出的具体的一个数学模型：线性模型，同时，本文为了进一步的消除量纲对于计算单位的影响，需要进行归一化处理处理，本文选择的处理方式是：对于变量进行对数处理。
本文具体的需要对数处理的数据选择有：
Y ：居民消费水平，具体可以表示为：lny ； X 1：收入水平，具体可以表示为：lnx1； X 3：通货膨胀水平，具体可以表示为：lnx3； X 4：第二产业总产值，具体可以表示为：lnx4； X 5：第三产业总产值，具体可以表示为：lnx5； X 6：固定资产投资额，具体可以表示为：lnx6； X 8：人口数量，具体可以表示为：lnx8； X 10：教育情况，具体可以表示为：lnx10； X 11：社会保障支出，具体可以表示为：lnx11； X 12：就业人数，具体可以表示为：lnx12； X 14：居民消费习惯，具体可以表示为：lnx14； X 15：公路里程数，具体可以表示为：lnx15； X 16：邮电业务量，具体可以表示为：lnx16；
根据以上的描述，可以建立出中国居民消费支出的具体的一个数学模型，具体表示为：
0112233441616ln ln ln ln ...ln y x x x x x ββββββε=++++++++ （3-1）
其中，0β表示居民消费支出的一个常量，1β，...，16β分别表示上述自变量：X 1，...，X 16的变量系数，ε表示的是中国居民消费支出的一个随机干扰变量。
3.4数据处理
原理：
中心化（又叫零均值化）：是指变量减去它的均值。
其实就是一个平移的过程，平移后所有数据的中心是（0，0）。
标准化（又叫归一化）： 是指数值减去均值，再除以标准差（可以把有量纲量变为无量纲量）。
数据中心化的公式如下所示：
10n
ij
i x
==∑， （3-2）
10n
i
i y
==∑， （3-3）
21
1n
ij
i x
==∑， （3-4）
数据标准化公式如下所示：
min
max min
x x -=
- （3-5）
其中，min 表示的数据x 的最小值，max 表示的数据x 的最大值。
3.5 本章小结
本章节对于基于RBF 神经网络模型的居民消费水平走势研究的居民消费水平实际模型进行了建模研究，为后文于基于RBF 神经网络模型的研究做了必要的铺垫。
