導(dǎo)語：地區(qū)RPI增速預(yù)測結(jié)果研究一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

內(nèi)容提要：大數(shù)據(jù)時代可有效利用高頻網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測傳統(tǒng)宏觀經(jīng)濟(jì)走勢?；诰W(wǎng)絡(luò)搜索數(shù)據(jù)對商品零售價格指數(shù)（RPI）變動影響的分析，利用相關(guān)關(guān)鍵詞的網(wǎng)絡(luò)搜索數(shù)據(jù)，構(gòu)建河北省地區(qū)日度網(wǎng)絡(luò)搜索指數(shù)，并基于混頻數(shù)據(jù)模型MIDAS-AR(1)對地區(qū)rpi增速進(jìn)行預(yù)測。研究結(jié)果表明：基于日度網(wǎng)絡(luò)搜索指數(shù)的混頻數(shù)據(jù)模型適用于地區(qū)RPI增速的預(yù)測。在靜態(tài)預(yù)測方面，采用混頻數(shù)據(jù)模型的預(yù)測精度要優(yōu)于同頻模型。在動態(tài)預(yù)測方面，采用調(diào)整模型h值的混頻數(shù)據(jù)模型的預(yù)測效果優(yōu)于AR(1)模型的動態(tài)預(yù)測結(jié)果，說明構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對地區(qū)RPI變動具有一定的預(yù)測能力?；诖?，在對宏觀經(jīng)濟(jì)進(jìn)行監(jiān)測預(yù)測時，應(yīng)有效利用網(wǎng)絡(luò)海量即時數(shù)據(jù)；混頻數(shù)據(jù)模型可應(yīng)用于區(qū)域RPI增速預(yù)測。

關(guān)鍵詞：商品零售價格指數(shù)；RPI增速預(yù)測；混頻大數(shù)據(jù)；網(wǎng)絡(luò)搜索指數(shù)

近年來，現(xiàn)代網(wǎng)絡(luò)技術(shù)手段的不斷發(fā)展使獲取和儲存海量數(shù)據(jù)成為可能。網(wǎng)絡(luò)搜索數(shù)據(jù)頻率往往高于傳統(tǒng)宏觀經(jīng)濟(jì)變量，蘊(yùn)含豐富的數(shù)據(jù)信息。伴隨著混頻數(shù)據(jù)模型的深入研究和在經(jīng)濟(jì)金融領(lǐng)域內(nèi)的推廣應(yīng)用，利用高頻數(shù)據(jù)預(yù)測低頻數(shù)據(jù)成為可能。網(wǎng)絡(luò)搜索數(shù)據(jù)可以體現(xiàn)由于經(jīng)濟(jì)環(huán)境或供給需求變化產(chǎn)生的關(guān)鍵詞搜索行為，其中蘊(yùn)含了能夠引起RPI變動的因素，這些因素是對預(yù)測RPI變動的傳統(tǒng)信息源的重要數(shù)據(jù)補(bǔ)充。結(jié)合混頻數(shù)據(jù)模型，可以充分發(fā)揮網(wǎng)絡(luò)搜索數(shù)據(jù)的高頻優(yōu)勢。這一方法可以利用更多數(shù)據(jù)信息，在已有的應(yīng)用研究中大多收到較好的預(yù)測效果，為預(yù)測宏觀經(jīng)濟(jì)變量提供新的思路。因此，篩選恰當(dāng)?shù)木W(wǎng)絡(luò)搜索數(shù)據(jù)，研究利用高頻數(shù)據(jù)信息預(yù)測宏觀經(jīng)濟(jì)變量具有一定的現(xiàn)實意義。

一、相關(guān)研究文獻(xiàn)評述

網(wǎng)絡(luò)搜索數(shù)據(jù)是衡量網(wǎng)絡(luò)輿情的重要指標(biāo)。在宏觀經(jīng)濟(jì)領(lǐng)域，已有研究表明：網(wǎng)絡(luò)搜索數(shù)據(jù)可體現(xiàn)生產(chǎn)者和消費者的投資和需求狀態(tài)，與經(jīng)濟(jì)指標(biāo)存在相關(guān)關(guān)系。張崇等（2012）研究表明：網(wǎng)絡(luò)搜索數(shù)據(jù)與居民消費價格指數(shù)存在協(xié)整關(guān)系。白麗娟等（2015）認(rèn)為，用戶受到事件影響時結(jié)合自身信息需求會產(chǎn)生搜索行為，形成關(guān)鍵詞，即關(guān)鍵詞可看作是事件發(fā)展的量化指標(biāo)。劉偉江和李映橋（2018）從供求理論的角度出發(fā)，基于谷歌指數(shù)合成宏觀和微觀搜索指數(shù)，實證表明：搜索指數(shù)與商品零售價格指數(shù)具有長期穩(wěn)定協(xié)整關(guān)系。基于網(wǎng)絡(luò)搜索數(shù)據(jù)對金融和經(jīng)濟(jì)指標(biāo)影響的分析，Choi和Varian（2012）引入Google指數(shù)預(yù)測失業(yè)、旅游等領(lǐng)域的經(jīng)濟(jì)指標(biāo)，研究表明：其預(yù)測效果更佳。González-Fernández和González-Ve-lasco（2018）基于所選關(guān)鍵詞的Google指數(shù)，實證表明：引入網(wǎng)絡(luò)搜索數(shù)據(jù)能夠提升模型預(yù)測精度，利用網(wǎng)絡(luò)搜索信息的預(yù)測可被推廣至其他經(jīng)濟(jì)指標(biāo)。國內(nèi)學(xué)者徐映梅和高一銘（2017）基于百度指數(shù)數(shù)據(jù)，構(gòu)造CPI低頻及高頻輿情指數(shù)預(yù)測CPI，兩類輿情指數(shù)具有較強(qiáng)的時效性，在利用高頻輿情指數(shù)預(yù)測CPI時采用混頻數(shù)據(jù)模型MIDAS，改進(jìn)了CPI預(yù)測精度。張瑞等（2020）基于網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測上海商品零售價格指數(shù)，研究表明：在預(yù)測時引入網(wǎng)絡(luò)搜索數(shù)據(jù)具有時效性。李俊杰等（2021）發(fā)現(xiàn)，通過百度搜索數(shù)據(jù)可提取房地產(chǎn)市場信息關(guān)注指數(shù)。關(guān)于混頻數(shù)據(jù)模型理論的應(yīng)用研究較多，Ghy-sels等（2004）提出混頻數(shù)據(jù)模型（MIDAS），認(rèn)為MI-DAS模型可應(yīng)用于經(jīng)濟(jì)與金融領(lǐng)域。Clements和Galvo（2012）提出引入一個向量自回歸項作為共同因子，以消除低頻因變量對高頻自變量的季節(jié)性影響。國內(nèi)多數(shù)研究將混頻數(shù)據(jù)模型應(yīng)用于我國宏觀經(jīng)濟(jì)變量的預(yù)測中，王維國和于揚(yáng)（2016）基于混頻數(shù)據(jù)，構(gòu)建不同權(quán)重函數(shù)的混頻數(shù)據(jù)回歸預(yù)測模型和無約束MIDAS模型，對我國季度GDP進(jìn)行預(yù)測，研究表明：以BIC為權(quán)重的聯(lián)合預(yù)測模型預(yù)測效果最優(yōu)。紀(jì)堯（2021）采用包含利率、大宗商品價格、農(nóng)產(chǎn)品價格、京東網(wǎng)絡(luò)電商等高頻數(shù)據(jù)，構(gòu)建MIDAS模型，對我國CPI及PPI進(jìn)行預(yù)測，說明其相對于ADL及GARCH模型在預(yù)測效果上的優(yōu)越性。通過對已有研究文獻(xiàn)的梳理，可以發(fā)現(xiàn)：公眾對事件的關(guān)注度可以通過網(wǎng)絡(luò)搜索行為轉(zhuǎn)化為關(guān)鍵詞熱度，網(wǎng)絡(luò)搜索數(shù)據(jù)對宏觀經(jīng)濟(jì)變量存在影響。相比以往研究，本文有以下方面創(chuàng)新：一方面，本文保留網(wǎng)絡(luò)大數(shù)據(jù)的原有頻率，采用日度網(wǎng)絡(luò)搜索數(shù)據(jù)構(gòu)建地區(qū)網(wǎng)絡(luò)搜索指數(shù)進(jìn)行預(yù)測，從而避免損失數(shù)據(jù)信息；另一方面，本文將混頻數(shù)據(jù)模型應(yīng)用于某區(qū)域的RPI預(yù)測，以豐富基于網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測商品零售價格指數(shù)的研究。

二、網(wǎng)絡(luò)搜索數(shù)據(jù)對地區(qū)RPI變動影響分析

（一）網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵詞與地區(qū)RPI變動

根據(jù)以往研究，本文認(rèn)為，利用網(wǎng)絡(luò)搜索數(shù)據(jù)構(gòu)建的指數(shù)不僅可以應(yīng)用于CPI預(yù)測，同樣可以推廣至其他類價格指數(shù)，例如RPI。構(gòu)建關(guān)注度指標(biāo)的首要任務(wù)是相關(guān)關(guān)鍵詞的篩選，本文從經(jīng)濟(jì)金融環(huán)境、常見零售商品、民生熱詞方面考慮與RPI變動相關(guān)的關(guān)鍵詞。1.宏觀經(jīng)濟(jì)及金融環(huán)境的影響。結(jié)合白麗娟等（2015）的研究，本文認(rèn)為，當(dāng)宏觀經(jīng)濟(jì)及金融市場發(fā)生熱點事件時，一方面，居民對這一事件的關(guān)注度增加，這會從網(wǎng)絡(luò)搜索熱度中得以體現(xiàn)；另一方面，RPI作為宏觀經(jīng)濟(jì)系統(tǒng)中的重要組成部分，宏觀經(jīng)濟(jì)及金融市場的大事件會對RPI產(chǎn)生影響。在這個過程中存在居民對于某一關(guān)鍵詞的搜索熱度先行于RPI變動的可能性，但具體哪些關(guān)鍵詞能夠先行于RPI變動、能夠應(yīng)用于RPI變動的預(yù)測還需要進(jìn)一步定量分析。2.居民對商品價格的關(guān)注度。RPI這一指數(shù)主要反映商品零售價格變動的趨勢。因此，部分商品價格的變動也會引發(fā)RPI變動。從消費者角度和生產(chǎn)者角度都有可能形成對某種商品的搜索行為，這些搜索行為本身代表了某些商品供求關(guān)系的變動情況，凝結(jié)了可能影響物價的因素。3.居民對社會熱點問題的探討。民生領(lǐng)域熱詞的關(guān)注度是持續(xù)較高的，就業(yè)、物價上漲等社會經(jīng)常關(guān)注的熱點問題同樣會對RPI的變動產(chǎn)生影響。例如，就業(yè)壓力大時對于就業(yè)的關(guān)注度會加大，而就業(yè)壓力可能影響部分人群的消費水平，致使部分消費品價格波動，從而影響RPI變動。綜上，本文基于上述三個層面選取關(guān)鍵詞，具體選取的關(guān)鍵詞如表1所示。

（二）構(gòu)建網(wǎng)絡(luò)搜索指數(shù)的關(guān)鍵詞篩選

初選關(guān)鍵詞不一定都適合應(yīng)用于地區(qū)RPI變動的預(yù)測，還需要通過定量分析進(jìn)一步篩選出具有預(yù)測作用的關(guān)鍵詞。在構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)時，首先，將地區(qū)關(guān)鍵詞日度搜索數(shù)據(jù)通過按月平均的方式轉(zhuǎn)化為月度日均搜索數(shù)據(jù)；其次，利用SPSS計算地區(qū)RPI同比增長率與其月度網(wǎng)絡(luò)日均搜索數(shù)據(jù)在不同時滯情況下的時差相關(guān)系數(shù)，找出相關(guān)系數(shù)最大時的時滯數(shù)，分析該關(guān)鍵詞與RPI同比增長率數(shù)據(jù)的時滯關(guān)系；最后，基于篩選出的具有預(yù)測作用的關(guān)鍵詞構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)，即根據(jù)各關(guān)鍵詞與RPI同比增長率之間的時滯關(guān)系對各關(guān)鍵詞序列進(jìn)行錯序調(diào)整，以關(guān)鍵詞搜索數(shù)據(jù)與RPI增長率的時差相關(guān)系數(shù)的絕對值作為權(quán)重進(jìn)行加權(quán)平均，得到地區(qū)日度網(wǎng)絡(luò)搜索指數(shù)。綜上所述，本文認(rèn)為，可以先找出在理論上與RPI增速存在關(guān)聯(lián)的關(guān)鍵詞，構(gòu)成一個專有的關(guān)鍵詞詞庫，產(chǎn)生重點關(guān)鍵詞；再采用定量分析的方法篩選出與地區(qū)RPI變動相關(guān)性較大的關(guān)鍵詞；最終，構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)?；跇?gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)，建立混頻數(shù)據(jù)模型MIDAS-AR對區(qū)域RPI增速進(jìn)行預(yù)測效果研究。

三、基于網(wǎng)絡(luò)搜索數(shù)據(jù)的地區(qū)RPI增速預(yù)測模型構(gòu)建

（一）數(shù)據(jù)來源與處理

本文以河北省為例，構(gòu)建河北省網(wǎng)絡(luò)搜索指數(shù)預(yù)測地區(qū)RPI增速。國內(nèi)多數(shù)研究利用百度指數(shù)衡量關(guān)注度，如楊欣和呂本富（2014）、陳植元等（2016）。百度指數(shù)基于訪問百度的海量網(wǎng)民行為數(shù)據(jù)，已具備向咨詢者展示單個詞的趨勢、需求圖譜和人群畫像等功能。本文采用的關(guān)鍵詞網(wǎng)絡(luò)搜索數(shù)據(jù)來源于百度指數(shù)官網(wǎng)。地區(qū)月度RPI數(shù)據(jù)來源于同花順金融數(shù)據(jù)庫。實證分析時將數(shù)據(jù)集分成訓(xùn)練集和測試集，將2013年1月1日至2019年6月30日的日度網(wǎng)絡(luò)搜索數(shù)據(jù)及2013年1月至2019年6月的RPI同比增速數(shù)據(jù)作為訓(xùn)練集，將2019年7月1日至2020年12月31日的日度網(wǎng)絡(luò)搜索數(shù)據(jù)及2019年7月至2020年12月的RPI同比增速數(shù)據(jù)作為測試集，采用均方誤差MSE衡量模型預(yù)測效果。為減少入選關(guān)鍵詞序列由于數(shù)量級差異對模型預(yù)測造成的影響，將入選的關(guān)鍵詞百度指數(shù)序列的訓(xùn)練集按以下方式進(jìn)行處理：（1）對于測試集的日度網(wǎng)絡(luò)搜索指數(shù)，采用與訓(xùn)練集相同的歸一化算法，即（2）

（二）模型構(gòu)建

本文基于混頻數(shù)據(jù)模型MIDAS(m,K,h)-AR(p)進(jìn)行實證分析，其表達(dá)式如式（3）所示。其中，xt代表高頻日度數(shù)據(jù)，yt代表低頻月度數(shù)據(jù)。m為因變量與自變量的頻率倍差，本文中m的值為30。為權(quán)重多項式，L為滯后算子。K為最大滯后階數(shù)，h為向前預(yù)測的步數(shù)。在表1的關(guān)鍵詞中，選出了關(guān)鍵詞指數(shù)與河北省RPI變動的時差相關(guān)系數(shù)較大的四個關(guān)鍵詞，分別是“油價”“利率”“糧食價格”“棉花價格”。其領(lǐng)先階數(shù)分別為1階、0階、5階、4階，對應(yīng)的時差相關(guān)系數(shù)分別為-0.55、-0.59、-0.50與-0.53。按照式（1）對四個關(guān)鍵詞序列進(jìn)行預(yù)處理，并以時差相關(guān)系數(shù)的絕對值作為權(quán)重對兩個關(guān)鍵詞序列進(jìn)行加權(quán)平均，得到地區(qū)日度網(wǎng)絡(luò)搜索指數(shù)。經(jīng)檢驗，建模序列在5%的顯著性水平下平穩(wěn)。為便于模型計算分析，將一年中每個月的天數(shù)設(shè)定為30天。本文采用三種模型對河北省RPI同比增速進(jìn)行預(yù)測：（1）基于混頻數(shù)據(jù)的MIDAS-AR(1)模型；（2）基于同頻數(shù)據(jù)的自回歸分布滯后模型ADL。由于對河北省RPI增長率建立AR(1)模型后，其殘差已不存在自相關(guān)。因此，在這兩種模型中，均引入因變量的一階滯后項；（3）AR(1)模型。

四、基于網(wǎng)絡(luò)搜索數(shù)據(jù)的地區(qū)RPI增速預(yù)測結(jié)果分析

（一）基于靜態(tài)預(yù)測方法的預(yù)測效果分析

首先，采用靜態(tài)預(yù)測的方法對測試集的各時間點進(jìn)行預(yù)測。基于三種模型預(yù)測的均方誤差如表2和表3所示。表2列出了混頻數(shù)據(jù)模型設(shè)定不同的最大滯后階數(shù)K值及不同的向前預(yù)測步數(shù)h值時MI-DAS-AR(1)在測試集上的靜態(tài)預(yù)測情況。表3列出了h值取90的MIDAS-AR(1)模型、相應(yīng)滯后階數(shù)的ADL模型與AR(1)模型靜態(tài)預(yù)測的均方誤差。其中，ADL模型的網(wǎng)絡(luò)搜索指數(shù)采用月度數(shù)據(jù)，先將“油價”“利率”“糧食價格”“棉花價格”關(guān)鍵詞日度網(wǎng)絡(luò)搜索數(shù)據(jù)通過按月平均的方式轉(zhuǎn)化為月度日均網(wǎng)絡(luò)搜索數(shù)據(jù)，再將經(jīng)錯序調(diào)整的兩個序列進(jìn)行歸一化，并以時差相關(guān)系數(shù)的絕對值作為權(quán)重加權(quán)平均得到。由表2可知，采用MIDAS-AR(1)模型靜態(tài)預(yù)測的效果與最大滯后階數(shù)K和向前預(yù)測步數(shù)h有關(guān)。隨著最大滯后階數(shù)K的變化，模型預(yù)測的均方誤差大小有波動。在表2中，當(dāng)h的值為90，K的值為150，即日度網(wǎng)絡(luò)搜索指數(shù)采用向前預(yù)測步數(shù)為90天，滯后150天（5個月）的數(shù)據(jù)進(jìn)行預(yù)測時，模型的預(yù)測效果相對最優(yōu)。此時，MIDAS-AR(1)模型與ADL模型的預(yù)測效果如圖1所示。由表3可知，采用混頻數(shù)據(jù)模型的預(yù)測精度均優(yōu)于對應(yīng)的同頻ADL模型。當(dāng)h值大于等于60，混頻數(shù)據(jù)模型的靜態(tài)預(yù)測可以產(chǎn)生優(yōu)于AR(1)模型的靜態(tài)預(yù)測效果。

（二）基于動態(tài)預(yù)測方法的預(yù)測效果分析

基于動態(tài)預(yù)測，進(jìn)一步分析構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對地區(qū)RPI變動預(yù)測的作用，訓(xùn)練集與測試集的劃分與靜態(tài)預(yù)測相同。本文通過調(diào)整混頻模型中h的值對2019年7月至2020年12月測試集上的RPI增速進(jìn)行動態(tài)預(yù)測。其對應(yīng)關(guān)系如表4所示。在進(jìn)行動態(tài)預(yù)測時，模型中因變量的一階滯后項，即2019年7月及之后的RPI增速數(shù)據(jù)采用由MI-DAS-AR(1)模型預(yù)測得到的估計值。采用MIDAS-AR(1)模型及AR(1)模型在測試集上的MSE如表5所示。其中，AR(1)模型采用動態(tài)預(yù)測方法預(yù)測，模型預(yù)測效果仍采用模型預(yù)測的均方誤差MSE衡量。表5列出了采用調(diào)整h值的MIDAS-AR(1)模型與AR(1)模型在測試集上進(jìn)行動態(tài)預(yù)測的均方誤差。由表5可知，對測試集預(yù)測2個季度、4個季度和6個季度的情況下，其動態(tài)預(yù)測的均方誤差小于AR(1)模型，說明構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對地區(qū)RPI變動具有一定的預(yù)測能力，得出構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對地區(qū)RPI變動具有一定影響的結(jié)論。

（三）重點關(guān)鍵詞討論

基于上述分析，可以發(fā)現(xiàn)：第一，構(gòu)造日度網(wǎng)絡(luò)搜索指數(shù)的四個關(guān)鍵詞中，“油價”“利率”可以看作是由于居民對經(jīng)濟(jì)金融環(huán)境的關(guān)注而產(chǎn)生的搜索行為。經(jīng)濟(jì)金融環(huán)境和居民的生活息息相關(guān)。一方面，油價的變動會提升居民對于“油價”的關(guān)注度，居民關(guān)注度的提升對于油價下跌更加敏感。另一方面，受經(jīng)濟(jì)金融環(huán)境波動影響，居民在調(diào)整自身的消費投資行為、形成利率預(yù)期時會提升對“利率”的關(guān)注度。這些關(guān)鍵詞關(guān)注度的提升是經(jīng)濟(jì)金融環(huán)境變動的一種體現(xiàn)，且居民進(jìn)行關(guān)鍵詞的搜索行為通常是即時的。另外，經(jīng)濟(jì)金融環(huán)境的變動會對RPI產(chǎn)生影響。例如，油價下跌可能帶來的通縮壓力、由于經(jīng)濟(jì)金融環(huán)境變動導(dǎo)致的居民消費投資行為變化等。在RPI發(fā)布前，居民的搜索行為對RPI可能具有一定的先行性。從時差相關(guān)系數(shù)來看，在研究的時間范圍內(nèi)，伴隨著對“油價”“利率”關(guān)注度的提升，會導(dǎo)致地區(qū)RPI短期下降。第二，“棉花價格”“糧食價格”可以看作是居民對商品的關(guān)注。糧食作物價格變動會引起生產(chǎn)者和消費者的關(guān)注度提升。在研究的時間范圍內(nèi)，伴隨著對“棉花價格”“糧食價格”關(guān)注度的提升，會引起地區(qū)RPI反向變動。第三，在研究的時間范圍內(nèi)，表1的關(guān)鍵詞中，除了用來構(gòu)建日度網(wǎng)絡(luò)搜索指數(shù)的四個關(guān)鍵詞外，還有“就業(yè)”“蔬菜價格”這些關(guān)鍵詞的關(guān)注度與地區(qū)RPI變動的時差相關(guān)系數(shù)在0.4-0.5之間，且具有一定的先行性。其中，“就業(yè)”可以看作是居民對民生熱詞關(guān)注度的體現(xiàn)，當(dāng)居民感受到就業(yè)壓力時，對該關(guān)鍵詞的關(guān)注度會提升。時差相關(guān)系數(shù)顯示，對“就業(yè)”關(guān)鍵詞關(guān)注度的提升對河北省RPI變動具有先行性，具體影響體現(xiàn)為負(fù)相關(guān)。第四，“雞蛋價格”“股票”“基金”關(guān)鍵詞的關(guān)注度與地區(qū)RPI變動的時差相關(guān)系數(shù)具有滯后性。其中，“股票”“基金”關(guān)鍵詞的關(guān)注度的時差相關(guān)系數(shù)在0.5以上，且RPI變動與對該關(guān)鍵詞的關(guān)注度變動是反向的。

五、結(jié)論與政策啟示

本文實證結(jié)果表明：基于構(gòu)建的網(wǎng)絡(luò)搜索指數(shù)建立混頻數(shù)據(jù)模型，有助于地區(qū)RPI的預(yù)測。居民對經(jīng)濟(jì)金融環(huán)境類關(guān)鍵詞的關(guān)注度對河北省RPI變動具有一定的先行性，具體體現(xiàn)為當(dāng)居民對相關(guān)關(guān)鍵詞的關(guān)注度提升，與短期RPI的下跌有較強(qiáng)的相關(guān)性。部分商品的關(guān)注度也存在先行性和相關(guān)性，但時差相關(guān)系數(shù)相比經(jīng)濟(jì)金融環(huán)境類關(guān)鍵詞稍小?；跁r差相關(guān)系數(shù)較大的關(guān)鍵詞構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)，在靜態(tài)預(yù)測方面，采用混頻數(shù)據(jù)模型的預(yù)測精度均優(yōu)于對應(yīng)的同頻ADL模型。通過調(diào)整MIDAS-AR(1)模型的h值，可基于混頻數(shù)據(jù)模型對地區(qū)RPI增速進(jìn)行動態(tài)預(yù)測，且均方誤差小于AR(1)模型動態(tài)預(yù)測的均方誤差，這說明構(gòu)建的日度網(wǎng)絡(luò)搜索指數(shù)對地區(qū)RPI變動具有預(yù)測能力?；谏鲜鼋Y(jié)論，本文可得出以下啟示：1.應(yīng)關(guān)注居民由于經(jīng)濟(jì)金融環(huán)境變化產(chǎn)生的關(guān)鍵詞搜索行為。相關(guān)關(guān)鍵詞的關(guān)注度可能凝結(jié)了引起RPI變動的因素，且具有一定的即時性。在實際應(yīng)用中，與RPI增速相關(guān)性較強(qiáng)的關(guān)鍵詞通常也處于動態(tài)變化的過程中。因此，需要根據(jù)實際情況不斷更新網(wǎng)絡(luò)搜索關(guān)鍵詞詞庫和關(guān)鍵詞篩選方法，在實踐中找到對RPI增速有持續(xù)性影響的關(guān)鍵詞，使關(guān)鍵詞詞庫形成體系，更好地應(yīng)用相關(guān)預(yù)測方法。2.在對宏觀經(jīng)濟(jì)進(jìn)行監(jiān)控和預(yù)測時，應(yīng)有效利用網(wǎng)絡(luò)海量即時數(shù)據(jù)。網(wǎng)絡(luò)搜索數(shù)據(jù)和搜索引擎中的關(guān)鍵詞熱度等數(shù)據(jù)蘊(yùn)藏了能夠反映經(jīng)濟(jì)社會變化的關(guān)鍵信息。近年來，我國不斷出臺相關(guān)政策，積極推動云計算等互聯(lián)網(wǎng)信息技術(shù)與大數(shù)據(jù)的融合發(fā)展，鼓勵其在金融、工業(yè)等領(lǐng)域的應(yīng)用。應(yīng)當(dāng)積極關(guān)注網(wǎng)絡(luò)搜索數(shù)據(jù)中反映社會關(guān)注度的信號，更好地提取并利用這些關(guān)鍵信息。3.混頻數(shù)據(jù)模型可被應(yīng)用于區(qū)域RPI增速的預(yù)測中。利用高頻數(shù)據(jù)預(yù)測低頻數(shù)據(jù)有利于保留網(wǎng)絡(luò)大數(shù)據(jù)原始頻率，為RPI預(yù)測提供了新的思路和方法。混頻數(shù)據(jù)模型在地區(qū)宏觀經(jīng)濟(jì)預(yù)測中具有適用性。今后，在RPI的預(yù)測中應(yīng)充分利用高頻數(shù)據(jù)和混頻數(shù)據(jù)模型，并結(jié)合實際不斷完善該模型，在經(jīng)濟(jì)指標(biāo)的監(jiān)測中注意吸收新技術(shù)、新理論。

作者：王文勝 常曉穎