中国如何利用大数据监测预测宏观经济(4)

　　
　　四、基于互联网大数据开展宏观经济监测预测的建议。
　　
　　通过回顾国内外现有研究成果，从数据来源的角度，我们建议由国家宏观决策部门牵头，尽快整合互联网相关数据源，构建基于互联网数据的宏观经济非统计指标监测预测应用平台。围绕重点产业活跃度、区域经济关联度、企业生产经营状况、宏观经济走向社会预期、社会消费热点、区域人口迁移、境外投资趋势及风险分析、全国就业形势、大宗商品供求及价格走势、社会通胀通缩预期、重要商品价格异常波动、外贸订单变化趋势、全球经贸合作、国民经济动员潜力等方面，构建大数据宏观经济先行指标和现时预测指标库，建设基于回归模型、时序分析、神经网络等的大数据宏观经济预测方法库和模型库，逐步形成基于非统计数据的宏观经济监测预测体系，提升中国宏观经济形势分析以及重点行业、重点区域发展即时监测的大数据应用能力。
　　
　　（一）基于电子商务和行业门户网站数据开展经济监测预测分析。
　　
　　随着电子商务的发展，目前中国经济运行中的很多交易行为都完全或部分在互联网环境下完成。根据商务部电子商务司测算，2014年中国电子商务交易额达到约13万亿元，而全年社会消费品零售总额为26.2万亿元，电子商务交易额已经接近零售业总额的一半。[26]
　　
　　因此，基于国内主流电商平台的用户消费行为数据进行分析挖掘，是监测中国宏观经济运行的重要渠道。目前，在国内电商网站中，阿里巴巴集团对于用户消费行为数据的分析挖掘已经非常成熟，提供了覆盖阿里电商平台数百万种商品的数据，包括淘宝搜索指数、淘宝采购指数、阿里采购指数和阿里供货指数等四类数据，并支持按照地域细分。这些数据能够精确反映阿里电商平台用户消费情况，能在很大程度上反映电商行业运行情况，并折射出全国和各区域宏观经济运行的基本情况。但这些数据的缺点在于，由于仅为电商数据，不能反映线下交易情况，也难以反映大宗商品交易（如房地产、汽车）和非传统实体商品交易（如旅游、文化、养老、健康）情况。
　　
　　作为上述主流电商平台网站数据源的补充，以下四类网站数据源的数据对于监测预测宏观经济运行也具有重要参考意义：一是主要房地产门户网站，如搜房网、链家在线、安居客等，这些网站均提供各地房价走势分析功能，甚至可以细分到省份、城市、区县、乡镇街道和楼盘等区域房地产信息的监测，这对于提高中国宏观决策部门的精细化决策分析能力具有重要意义；二是汽车门户网站，如易车网、汽车之家等，这些网站聚集了较为丰富的汽车销售数据；三是酒店旅游类门户网站，如携程网、去哪网、途牛网等，可以反映网民出行、旅游等基本情况；四是比价网站，如惠惠网、一淘网、慢慢买网、盒子比价网等，这些网站收集了国内主要电商网站的一般居民消费品的价格信息，客观上有助于监测国内主要居民消费品的价格变动情况。
　　
　　（二）基于移动终端位置定位数据开展经济运行监测预测分析。
　　
　　随着移动通信技术的飞速发展，很多线下网民的行为通过位置定位服务（LBS）技术会被移动服务商记录并保存下来。一些智能移动终端产品服务商就掌控了全国大量人口的地域流动信息，再结合其用户的注册信息数据，事实上已经具备对全国人口流动情况进行精细化统计分析的能力。基于对这些位置移动数据的长期监测，能够发现人口在不同地域之间迁移的信息，再结合对不同地域经济发展、产品结构、人口规模等数据的综合比对和分析，就能够对不同地域的就业情况、旅游交通情况、经济贸易往来情况等信息进行大数据监测分析。
　　
　　（三）基于社交媒体中网民和专家经济预期判断经济运行走势监测预测分析。
　　
　　随着社交网络的不断发展，网民会通过微博、博客、微信、论坛等自媒体渠道表达对经济社会运行重大问题的看法和意见。目前，国内一些商业机构，如新浪财经频道就推出了大数据平台，提供了A股、美股和期货市场的新浪财经频道网民关注度和新浪微博网民情感倾向性等数据。后续可以开展更加系统化的基于社交媒体的网民经济预期分析，如分析自媒体渠道网民态度倾向性（按地域、行业细分）、网民关注宏观经济问题热度变化等；开展国内宏观经济研究知名专家学者、学术智库在媒体发表言论的实时跟踪、态度倾向性变化分析等，从而为政府宏观决策提供数据参考。
　　
　　（四）基于搜索引擎用户需求数据开展经济运行监测预测分析。
　　
　　搜索引擎是互联网用户查找信息的首选途径，因此对搜索引擎用户搜索关键词的分析，是了解互联网用户真实需求的一个重要渠道。目前，百度和360是中国搜索引擎市场排名第一、第二的两大搜索引擎服务提供商，两家均提供有搜索指数数据可供公开查询，后续可以整合这两家搜索引擎服务供应商的搜索指数数据，开展宏观经济监测预测。搜索指数数据的优点是能够全面反映互联网用户方方面面的需求信息，而不像电商等网站只能分析用户的某一方面经济行为；其缺点则是无法精确判断搜索用户的真实意图，同时也难以监控这些用户后续的购买交易等行为。
　　
　　（五）基于股票、期货、大宗商品等公开交易数据进行经济运行监测预测分析。
　　
　　随着互联网应用的不断普及，证券、期货、大宗商品等金融交易已高度网络化，基于这些在线交易所产生的数据具有很强的挖掘价值。在证券交易行业，券商对于大数据的重要性已经有了高度共识，特别是在市场行情预测等方面，起步非常早。在期货市场以及大宗商品等场外交易市场，对交易数据的综合分析也得到越来越多企业的重视。中国的大宗商品场外交易市场经过十多年的发展，已形成一个新兴行业。在一些重点领域，如棉花、钢材等，大宗商品交易市场的交易量已经占到全国总交易量的一半以上。一些互联网公司同样聚集了该领域的大量数据，如金网安泰公司为全国370多家大宗陈龙 王建冬 窦悦·基于互联网大数据的宏观经济监测预测研究：理论与方法商品交易市场（约占到国内近2/3合规市场）提供了大宗商品交易平台软件，从而积累了大量原始交易数据。对这些数据源的后续挖掘和分析，对于宏观经济监测预测也具有重要意义。
　　
　　五、结语。
　　
　　随着大数据的飞速发展，国际学术界和宏观经济政策制定者已经意识到大数据对宏观经济分析的革命性影响，并逐步尝试将大数据的概念、方法、技术和宏观经济分析结合起来。本文对宏观经济监测分析中的互联网大数据研究和应用进行了初步探讨，希望能够对未来政府和学术界相关研究提供有益借鉴。
　　
　　参考文献：
　　
　　[1]国务院政策例行吹风会[EB/OL].  （2015-06-26）[2015-11-09]. 　　
　　[2]刘涛雄，徐晓飞。  大数据与宏观经济分析研究综述[J].  国外理论动态，2015（1）。　　
　　[3]Bughin  J  R.  'Nowcasting'  the  Belgian  Economy[EB/OL].[2015-11-20].  　　
　　[4]Ettredge  M,  Gerdes  J,  Karuga  G.  Using  Web-basedSearch  Data  to  Predict  Macroeconomics  Statistics[J].Communications of the ACM, 2005, 48（11）： 87-92.　　
　　[5]Choi  H,  Varian  H.  Predicting  Initial  Claims  forUnemployment  Benefits[EB/OL].  （2013-07-07）。  　　
　　[6]Choi  H,   Varian  H.  Predicting  the  Present  with  GoogleTrends[J]. Economic Record, 2012, 88（S1）： 2-9.　　
　　[7]D'Amuri  F,   Marcucci  J.  Google  it!  Forecasting  the  USUnemployment  Rate  with  a  Google  Job  Search  Index[D].University Library of Munich, Germany, 2009.　　
　　[8]Suhoy  T.  Query  Indices  and  a  2008  Downturn:  Israeli Data[R]. Technical Report, Bank of Israel, 2009.　　
　　[9]Barreira N, Godinho P, Melo P. Nowcasting UnemploymentRate  and  New  Car  Sales  in  South-western  Europe  withGoogle Trends[J]. Netnomics, 2013（14）： 129-165.　　
　　[10]Bollen  J,  Mao  H,  Zeng  X.  Twitter  Mood  Predicts  theStock  Market[J].  Journal  of  Computational  Science,2011（1）： 1-8.　　
　　[11]Chevalier  J,  Mayzlin  D.  The  Effect  of  Word  of  Mouthon  Sales:  Online  Book  Reviews[J].  Journal  of  MarketingResearch, 2006（XLIII）： 345-354.　　
　　[12]Asur  S,  Huberman  B.  Predicting  the  Future  with  SocialMedia[R]. 2010, ar Xiv: 09031407.
　　[13]Bughin J. Google Searches and Twitter Mood: NowcastingTelecom Sales Performance[J]. Netnomics, 2015（16）： 87-105.　　
　　[14]申红艳，吴晨生，扆铁梅。  大数据时代宏观经济分析面临的机遇与挑战[J]. 经济研究参考，2014（63）： 21-23.　　
　　[15]Ashraf  Z.  Electricity  Consumption  and  Economic  Growth:Evidence  from  Pakistan[EB/OL].  [2015-11-20].  　　
　　[16]Altinay G. Electricity Consumption and Economic Growth:Evidence  from  Turkey[J].  Energy  Economics,  2005（11）：849-856.　　
　　[17]Julien.  Freight  Transport  and  Economic  Growth:  anEmpirical Explanation of the Coupling in the EU Using PanelData[R/OL].  （2005-09-26）[2015-11-20].  　　
　　[18]熊浩，孙有望。  我国货运量与经济增长关系的协整分析[J]. 系统工程，2010（9）：46-50.　　
　　[19]刘恩猛。 天津市经济增长和贷款关系的实证分析[J]. 北方经济，2007（2）： 58.　　
　　[20]刘慧。  ”克强指数“与经济增长的动态关系研究：基于VAR和VEC模型的实证分析[J].  商业时代，2014（1）：  11-13.　　
　　[21]刘汉，刘金全。  中国宏观经济总量的实时预报与短期预测--基于混频数据预测模型的实证研究[J].  经济研究，2011（3）： 4-6.　　
　　[22]张崇，吕本富，彭庚，等。  网络搜索数据与CPI的相关性研究[J]. 科学管理学报，2012（7）： 50.　
　　[23]彭庚，苏亚军，李娜。  失业率预测研究--基于网络搜索数据及改进的逐步回归模型[J]. 现代科学管理，2013（12）：40.　　
　　[24]董倩，孙娜娜，李伟。  基于网络搜索数据的房地产价格预测[J]. 统计研究，2014（10）： 81-82.　
　　[25]Vosen S, Schmidt T. A Monthly Consumption Indicator forGermany  Based  on  Internet  Search  Query  Data[J].  AppliedEconomics Letters, 2012,19（7）： 683-687.　　
　　[26]商务部：2014年我国电商交易额达13万亿元[N/OL].  北京日报，（2015-01-22）[2015-11-20].