中美贸易战对中国经济的影响——基于RS-SVM模型的经验分析

作者：Chenggang Li, Hongye Jia

国籍：中国

出处：2018年第六届国际教育研究、休闲、体育和旅游会议

中文译文：

关键词：中美贸易战;影响因素;RS-SVM 模型。

摘要：本文先是利用影响经济增长的各种因素建立了粗略集（RS），使用属性归约算法提取了经济增长的主要影响因素，然后使用了支持向量机模型（SVM）对这些影响因素进行分类，最后预测了中美贸易战对中国经济增长的影响。结果表明，粗糙集属性约简算法可以减少宏观经济指标，中美贸易战对这些经济指标的影响，将给中国经济增长带来一定的波动。

介绍

2018年4月16日，美国商务部宣布，将在7年内禁止美国公司向中国中兴通讯公司销售技术软硬件产品和技术。2018年9月18日，美国政府宣布将对中国2000亿美元的商品征收关税。中美贸易战已经开始了。事实上，每一个威胁美国产业结构和贸易平衡的国家都收到了美国贸易战的制裁。曾经美国试图通过贸易战，如对日、对欧的贸易战来压制其他国家的经济发展，现在美国也希望通过贸易战遏制中国的发展。针对这一事实，又不要对中美贸易战影响下的中国经济影响进行早期规划，为国民经济安全稳定发展提供保障。

本文利用粗糙集支持向量机(RS-SVM)研究中美贸易战对中国经济发展的影响。首先，将粗糙集属性减值方法与支持向量机分类样品的预处理阶段相结合。其次，通过建立支持向量机模型，对中国宏观经济指标进行分析，得到哪些经济指标受到中美贸易战的严重影响、对中国经济发展的影响更大。最后建立GDP增长历史数据样本及其影响因素的分类分析模型，分析贸易战对中国经济可能产生的影响。

文献综述

目前，在贸易战分析领域，外国学者雷德蒙(2003年)根据欧盟和美国的投资、家庭消费水平、欧盟国家和美国经济发展分析历史数据，得到没有贸易战将对欧盟和美国经济产生影响。国内学者何和张(2017年)通过对上世纪80年代美日贸易冲突的分析，运用假设分析方法预测美国政策对中国经济的可能影响。张(2018)用比较分析法指出了1977年同样面临着与美国的贸易战的日本与中国当前经济的异同，认为中国应该总结日本的经验教训，以应对已经到来的中美贸易战。

在本文收集的国内外文献的基础上，大多数学者通过理论推导得出了中美贸易战对国内经济的影响，并预测了中美贸易战背景下经济的波动。然而，实际经济环境比理论模型复杂得多，且没有经济预测的经验证据。与现有文献相比，本文创新内容如下：本文采用RS-SVM实证分析方法，得出我国GDP发展与宏观经济指标的关系，通过分类培训结果，预测了贸易战背景下的经济发展。

研究方法

粗糙集相关概念

粗糙集理论(RS)是波兰数学家Pawlak教授于1982年提出的分析和处理不一致、不准确、不完整的信息的工具。粗糙集决策系统表示为如下形式：，其中是非空的有限对象集；R是一组非空的有限属性，有，C是一组条件属性，D是一组决策属性；V是属性值集合。通过构建信息函数，为每个对象的每个属性都分配一个信息值，即，。具有条件属性和决策树新的知识表现系统被成为决策系统。

RS减少处理

决策表中的某些属性有时具有类似的知识表达能力，这使得有的属性变得多余。减少处理可以消除粗糙集属性的冗余数据。本文通过应用MATLAB软件，构建属性缩减算法的过程如下：

输入：信息系统决策表。

, 是属性和的集合。它们分别被成为条件属性集和决策属性集。

输出：相对核心的信息系统决策表。

第一步：计算；

第二步：构造；

第三步：对于C的每个条件属性，如果有，那么；

第四步：结束，收集核心属性的数据并输出。

SVM分类预测原则

向量机(SVM)是两类型分类，其目标是找到一个超平面来分割样品。分割的原则是最大限度地提高数据间的间隔，并最终转换成凸二次编程问题。

SVM的目标是找到一个超平面，使得在离该超平面更近的异质点之间有尽可能大的间距。在示例空间中，超平面的分割可以通过以下线性方程来描述：

(1)

SVM间隔最大为：

(2)

通过运用拉格朗日乘数法，此问题可表示为：

(3)

对于非线性问题，训练样本可以从原来的空间映射到更高维度的空间，使A表示在映射x后的特征载体，在功能空间中与超平面对应的模型可以表示为：

(4)

由于功能空间的维度可以很高，甚至于无限，通常很难直接计算，所以我想到了这样的表示：

(5)

这里的是内核函数。

RS-SVM预测模型的构建与应用

RS-SVM风险预测组合的主要理念是将整个预测过程分为两个阶段：

1. 在SVM预测系统中，通过RS减少处理相关的知识减少宏观经济指标变量的数量，降低SVM模型的复杂性，缩短SVM模型的培训时间。
2. 使用RS-SVM模型预测中国经济增长的基本过程。

实证分析

建立初始决策表

影响中国GDP增长的因素有很多，选择具有代表性的指标作为一组有条件的属性，包括：居民消费价格指数(X1)、进出口月度增长(X2)、新增固定资产总额(X3)、商品价格指数(x4)、工业企业月利润总额(亿元)(X5)、社会融资规模(亿元)(X6)、国有企业利润总额(X7)、人民币汇率(X8)。

建立决策体系D：GDP的增长率变化。信息中X1-X8的数据来源于中国国家统计局公布的宏观经济数据，本文选择的时间间隔为2005年至2017年的分类数据。

决策数据标准化

由于决策表汇总不同特征的数据值差异很大，为了消除数据水平差异，需要按照公式对初始决策表进行规范化。将处理的结果返回到X1-X8。

对属性的RS减少处理

本文使用MATLAB程序来减少信息系统的X1-X8属性。设置GDP增长率与正增长区间。选择正域中已经减少属性的信息系统B和决策规则D连接，使B成为决策信息系统。将信息系统和决策系统结合是一种减少信息系统属性的方法。届时，该系统会将与GDP增长相关度较高的几个指标分类出来。

利用对属性的减少处理得到。于是得到原始决策表域中的一组属性是，RS减少处理后，属性集为。

应用与验证SVM

SVM模型训练

我们将使用python代码来编写执行SVM的分类过程。在几个内核函数中，使用最广泛的是径向基函数。它具有较大的收敛域，有理想的分类功能，只包含一个参数，易于优化。所以本文选择了径向基函数。

将八组训练样本数据属性减少后获得的属性集作为SVm中的条件属性输入。由于近年来我国GDP一直处于高速增长阶段，为了对两个属性状态进行分类，我们以每个月的增长率作为划分的基础。如果该月增长率与上月相比有所上升，则，否则。将作为模型的决策属性输入。

SVM模型的测试

SVM要通过对GDP增长因素的训练来预测，可以先随机将训练数据分为训练集和测试集。我们选择了30%的数据作为测试集来测试训练结果。实验结果见表1。表1表明，构建出来的SVM分类模型对测试数据的预测正确率达到0.738，认为分类模型还是有效的，可以用来对我国经济增长对若干宏观经济指标进行依赖性分类。

表 1 SVM模型测试结果

SVM模型预测

我们提取了贸易战在2017年9月至2018年6月期间10个月的数据用于预测和分析。用支持向量机回归(SVR)模型进行回归预测，分析了贸易战爆发以来中国GDP的波动。预测结果见表2。从表2的预测结果中可以看出贸易战将给我国经济增长带来一定的下行压力，但短期波动后，中国经济有能力应对宏观经济指标的波动，恢复经济增长的势头。但是，由于预测数据较小，从长远来看，贸易战将持续很长时间，中国经济将面临长期波动，GDP将受到影响，但总体增长趋势不会逆转。

表 2 预测贸易战对中国经济的影响