基于大數據的長三角制造業(yè)指數建構與預測研究

摘要：文章本基于長三角制造業(yè)企業(yè)的大數據，構建了一個多指標、全方位反映制造業(yè)發(fā)展的制造業(yè)指數，對該指數和制造業(yè)發(fā)展進行了擬合，發(fā)現擬合效果良好。利用該指數，文章預測了長三角制造業(yè)的發(fā)展態(tài)勢，并提出了提高大數據使用效率的對策建議。

關鍵詞：制造業(yè); 企業(yè)大數據; 制造業(yè)指數

一、 文獻評述

近年來，國內外對制造業(yè)大數據的研究主要聚焦于三個方面。一是關于制造業(yè)大數據及生產要素效率的研究。如魏浩的研究表明，對北京市企業(yè)而言，中間品進口、進口貿易和中間品貿易可以有效促進去偶爾全要素生產率、出口企業(yè)全要素生產率、輕工業(yè)和混合工業(yè)企業(yè)的全要素生產率水平。Serti和Tomasi的研究表明，從技術變革和投入來看，從低成本的國家進口能有效降低企業(yè)的生產投入成本，而從密集研發(fā)型的國家進口則能有效提升投入的質量。二是關于制造業(yè)大數據的預測研究。如李敏波等使用LASSO方法的多任務學習，運用輪胎的銷售大數據，從銷售數據分析和宏觀數據趨勢兩個層面對輪胎銷售進行了預測，趙騫等對高端裝備制造業(yè)的用電需求趨勢做了預測分析，諸文兵運用組合預測模型，對體育用品制造產品的銷售收入做了預測。三是對于大數據的行業(yè)應用研究。如楚東曉探討了大數據在工業(yè)設計領域的應用，Mathieu Alemany Oliver對大數據在市場調研應用中的倫理問題進行了研究;張潔等提出了大數據驅動的紡織智能制造平臺體系架構。

從研究方法來看，對大數據研究主要采用的是時間序列分析和回歸分析的方法，并在趨勢預測中得到了廣泛應用。其中，時間序列分析主要分為數據采集、時間序列分析、趨勢預測和模型構建四個步驟，通過采集過去若干年的制造業(yè)大數據，結合制造業(yè)的行業(yè)經營特點，在設定制造業(yè)的長期發(fā)展趨勢為整體增長且具有季節(jié)性規(guī)律的基礎上，基于制造業(yè)的歷史數據，通過數據擬合來計算長期發(fā)展趨勢和季節(jié)性規(guī)律的具體值，并以加法或乘法模式來進行制造業(yè)的發(fā)展趨勢預測。

加法模式可以公式列示為：y=Σmj=1wjxj。y是被評價對象的綜合評價值，wj是第j個評價指標相應的權重系數，xj是第j個指標值（已經過相應的數據預處理），這種方法適用于各指標相對獨立的情況。

乘法模式可以公式列示為：y=∏mj=1wjxj。這種方法適用于各評價指標間有較強關聯的情況。

回歸分析的方法也是通過采集過去若干年的歷史數據，通過繪制散點圖對變化趨勢進行判斷，選擇合適的回歸模型和計算方法來估計模型參數，通過相關系數、方差（或標準差）及顯著性指標等來判斷、修正模型，最后進行預測分析的方法?；貧w模型主要包括一元線性回歸、一元非線性回歸（包括指數模型、對數模型和冪模型等）、多元線性回歸。以公式列示：

一元線性回歸：y*=a+bx（a、b為回歸系數，x為時間，y*為預測值）

不同于已有研究，本文的數據全部來自于微觀層面，取自于2012年1月～2018年6月的長三角區(qū)域部分制造業(yè)企業(yè)的經營數據，再結合了統(tǒng)計、發(fā)改、財政、稅收、經信等部門公開發(fā)布的制造業(yè)數據。研究方法以制造業(yè)指標體系構建為基礎，以時間序列和加法分析為計算工具，以指數形式反映制造業(yè)發(fā)展變化。在此基礎上，結合各指標的預測變動情況，提出相應建議。

二、 研究框架

1. 計量方程。研究過程中，對分項指標的選取充分借鑒了前人研究和統(tǒng)計部門已有的成熟指標，并遵循了以下三個原則。

一是協調性原則。指標的選取要能體現制造業(yè)企業(yè)的經營數據與行業(yè)整體發(fā)展的協調性，一方面，企業(yè)大數據的匯集要同步反映制造業(yè)的整體發(fā)展情況;另一方面，企業(yè)大數據還需在一定程度上先行反映制造業(yè)未來一段時間的發(fā)展趨勢，提前發(fā)現制造業(yè)發(fā)展中可能存在的不利因素，從而有利于決策者采取針對性的扶持對策。

二是充分性原則。指標的選取需要充分、完整地反映制造業(yè)的發(fā)展和運行情況，一方面，在指標選取過程中，除了充分借鑒前人研究中的常用指標外，還向部分代表性企業(yè)、財政、稅務、發(fā)改、統(tǒng)計、經信等部門和部分專家學者充分征求意見，使得入選的指標盡可能地反映制造業(yè)的發(fā)展情況;另一方面，隨著經濟運行和制造業(yè)發(fā)展的不斷變化，還需預留一定的指標修改和完善空間，使得指標能更好地貼合、反映制造業(yè)的實際發(fā)展情況。

三是敏感性原則。指標的選取應對制造業(yè)的發(fā)展變化具有較高的敏感性，能靈敏、快速地反映制造業(yè)發(fā)展中的細微變化，由此，提高大數據對制造業(yè)未來發(fā)展的預測精度。

根據這三個原則，本研究所建立的長三角制造業(yè)指數，分規(guī)模、經濟效益和發(fā)展等層面，用12個指標來反映制造業(yè)的總體態(tài)勢。制造業(yè)規(guī)模方面，以全部銷售入、出口銷售額、固定資產進項稅額、所有者權益和制造業(yè)職工人數來反映。制造業(yè)的經濟效益方面，以單位資產效益、人均利潤、單位資本收益、人均增值稅和人均所得稅來反映。制造業(yè)的發(fā)展方面，以新增企業(yè)數量和用電量來反映。為了避免數據不統(tǒng)一，所有指標均采取了百分比變化率，這樣在計算和比較時就可以以統(tǒng)一的量度來進行了。

聚類后，各指標相對獨立，可采用加法模式計算長三角制造業(yè)指數。建立如下的計量方程：

MI=Σmj=1wjxj

其中，MI為長三角制造業(yè)指數（Manufacture Index），xj是第j個指標值，wj是第j個評價指標相應的權重系數。設定長三角制造業(yè)的長期發(fā)展趨勢為整體增長且具有季節(jié)性規(guī)律，則可以MI的數值大小來反映制造業(yè)的發(fā)展情況，并預測制造業(yè)在未來一段時間的發(fā)展趨勢。

2. 數據說明。本研究的數據有兩方面來源：一是企業(yè)經營數據，這部分數據量大面廣，且均為微觀層面，對經濟形勢發(fā)展有著良好的反映;二是其它部門發(fā)布的宏觀數據，包括統(tǒng)計、財政、稅收、發(fā)改、經信等部門，這些數據更多地是從行業(yè)層面來反映制造業(yè)的發(fā)展態(tài)勢。

時間跨度上，本研究的數據采集涵蓋了2012年1月到2018年6月，共計78個月的數據。樣本量上，共涵蓋了2 200家不同類型的制造業(yè)企業(yè)。研究立足于長三角區(qū)域，數據記錄累計達420萬條。

鑒于制造業(yè)大數據的采集量大面廣，不可避免地會有一些數據的丟失、失真等情況。在實證研究之前，本研究還對數據作了比對和清洗，將企業(yè)經營數據中存在的部分數據丟失和失真作了糾正，以確保進入實證研究的數據做到全面、準確反映。

在數據清洗過程中，主要是剔除在連續(xù)年份中，納稅數據不連續(xù)出現的制造業(yè)企業(yè)。如在時間跨度中，某各企業(yè)的納稅數據存在缺失，則將該企業(yè)從數據樣本中剔除。該清洗方法，保證了制造業(yè)企業(yè)樣本量的連續(xù)性和可比性。

在數據比對過程中，主要是對不合理的數據進行修復。如，針對企業(yè)的納稅數據在月份間有缺失、空白、異常跳躍等情況，采用插值填補等方法進行修復。通過數據比對，有效降低了不合理數據對后續(xù)分析所造成的影響。

三、 實證分析

1. 長三角制造業(yè)指數計算。本研究從微觀和宏觀入手，對制造業(yè)進行實證研究。通過提取公共因子，計算得到12個指標純客觀的權重，再采用加法模式，匯總得到長三角制造業(yè)指數，這一指數的數值，以100為基值，變動率即表示了變動程度。

經過因子分析，KMO值=0.698，表明結果較好。Bartlett值=1 053.565，P值小于0.001，表明因子分析是適用的。分析顯示，變量共同度都很高，這說明，因子能夠提取變量中的大部分信息。

特征值顯示，有4個因子>1，方差貢獻率累積達84.276%，這說明，這4個因子已足以涵蓋原始指標信息。

本文還對原始指標的共同度做了歸一化處理，處理之后，即得了到分項指標的權重，如表1示。

2. 對長三角制造業(yè)發(fā)展的預測分析。分項指標呈現了很強的季節(jié)性，且擬合值曲線和觀測值曲線在整個區(qū)間中重合較好，可用簡單季節(jié)性模型來擬合這些指標。對2018年7月～12月的長三角制造業(yè)指數做計算，得到結果為103.14、102.11、104.35、103.25、104.31和103.14。結果表明，長三角區(qū)域制造業(yè)在平穩(wěn)增長的同時，增長幅度也在放緩。計算結果與實際情況做了比對，二者情況相符。

四、 對策建議

1. 進一步做好長三角制造業(yè)大數據的基礎工作。以長三角制造業(yè)指數構建為基礎，根據制造業(yè)的發(fā)展變化，動態(tài)優(yōu)化、完善指標體系，增加能更好地反映制造業(yè)發(fā)展趨勢的指標，刪除對制造業(yè)發(fā)展不敏感、不能及時反映動態(tài)變化的指標，保持指標體系的先行性和科學性。對制造業(yè)大數據，要定期進行清理和清洗，及時發(fā)現并處理空白、不合理、異常等數據，確保進入建模和計算的數據有效性和精確性。以“行業(yè)云”“政務云”等方式，加強制造業(yè)數據之間的共享和交換，在行業(yè)、政府主管部門之間形成共享機制，及時發(fā)現、預警制造業(yè)發(fā)展中可能存在的異常情況。

2. 進一步加強異常指標跟蹤分析。預測值可見，部分指標存在著異常變化和跳躍等情況。針對這些異常變化的指標，需要加強分析研判，采取精準對策，解決異常波動。對于企業(yè)而言，需要緊跟當前制造業(yè)的總體發(fā)展趨勢，提升研發(fā)和營銷能力，充分挖掘潛力，鞏固已有市場。加強產品和服務的質量管理，提升生產制造水平，以更高的標準、更好的質量，打造精品產品和服務，以此不斷提高市場份額，擴大市場占有率。對于政府和主管部門而言，則要加強對制造業(yè)整體的科學研判，規(guī)劃生成一批有影響力、具帶動效應的項目，引導制造業(yè)企業(yè)進行基礎技術聯合攻關，帶動、集聚并形成完備的制造業(yè)產業(yè)鏈。政府部門還要加強對制造業(yè)扶持資金的管理，努力提高扶持資金的使用績效，堅持績效導向，盤活存量扶持資金，不搞撒胡椒粉式的全面扶持，而是將扶持資金投向基礎性、具有重大效應、對解決制造業(yè)發(fā)展具有示范效應的項目上來。繼續(xù)加大科研激勵，充分調動科研人員主動性和積極性，放寬科研經費的使用，給科研人員更大的支配權和自主權，解決科研人員在工作和生活中存在的實際困難，營造更優(yōu)越的科研環(huán)境，更好地出現創(chuàng)新成果。

五、 結語

本研究基于長三角區(qū)域制造業(yè)企業(yè)的大數據，通過建模分析，對制造業(yè)的發(fā)展作了擬合和預測。研究結果和現實運行情況保持一致，說明本研究的方法和技術具有較好的應用場景，可為政府部門出臺對制造業(yè)的扶持扶持政策提供有效支撐。

參考文獻：

[1] 魏浩.中間品進口與北京市企業(yè)的全要素生產率——基于工業(yè)企業(yè)微觀大數據的實證分析[J].北京社會科學，2017，（1）：42-54.

[2] Serti F， C Tomasi.Firm Heterogeneity： Do De- stinations of Exports and Origins Matter？ [J].Laboratory of Economics and Management Working Paper Series，2008，（14）：25-32.

[3] 楚東曉.大數據時代的工業(yè)設計教育改革與思考[J].藝術教育，2014，（9）：228.

[4] 張潔，等.大數據驅動的紡織智能制造平臺架構[J].紡織學報，2017，（38）：159-165.

作者簡介：錢斌華（1977-），男，漢族，浙江省寧波市人，財政部財科所博士后，同濟大學管理學博士，寧波城市職業(yè)技術學院科技處處長、副研究員，研究方向為財政稅收。

收稿日期：2019-01-21。