原创《基于ARMA模型中印农产品贸易进出口额时间序列分析》：该文是关于农产品贸易论文范文，为你的论文写作提供相关论文资料参考。
摘 要：一般各年份各月份的贸易进出口数据都属于典型的时序数据,处理时序数据最常见的方法就是构建合适的ARMA模型对其进行模拟,且其短期预测的精度较高,对短期决策具有很大的指导意义.本文采用季节性ARMA模型对我国和印度的农产品贸易进出口额进行模拟分析和预测,并进行短期的的预测数值,具有一定的现实意义.
关键词：中国；印度；农产品贸易；现状
一、中印农产品贸易发展趋势
中国和印度是亚洲两个领土相邻的发展中大国,其经济增长都较为迅速,但是由于地缘政治、文化差异等因素,两国的经济贸易往来和两国的经济规模并不相称,尤其是农产品贸易方面.中国和印度分别是世界上人口第一大国和第二大国,其现有的人口规模、丰富的农业资源和目前的经济发展趋势则会驱动两国在农产品贸易方面加深合作.根据WTO数据,2016年中国已经成为世界第一大农产品进口国,进口额占世界的5%,第5大农产品出口国；印度则是世界第13大农产品进口国,进口份额为0.8%,第14大出口国,出口份额为1.2%.
自然条件方面,印度是亚洲地区耕地面积最多的国家,共计1.4亿多公顷,因为巨大的人口基数人均占有耕地仅为0.16公顷,低于世界平均水平,但是印度地处南亚,雨水充沛、河道纵横,优越的地理条件为其农业生产和作物灌溉提供了得天独厚的便利基础.同时,印度拥有极为丰富的农业劳动力,且其农村人口偏向低龄化,全国有近5成的人口参和农业生产.农业产值在2005年-2015年达到了3.9%的平均增长水平,其中重要的原因是2004年以来印度促进农业增长政策以及印度大力推广农业技术科技的实施.这使得印度的农产品竞争力不断增强,农产品出口比重已占对外出口总额的15%左右,印度已经成为世界上主要的大米、小麦和水果出口国.不仅如此,印度的牧业和渔业的资源也极为丰富,印度已经成为世界第一大牛奶产量国,不过大部分用于国内自给,出口较少.印度拥有广阔的海洋资源,其渔业发展前景广阔.在中国,由于土地制度改革、取消农业税等一系列惠农支农政策的实施,我国农业迅猛发展,最近10年已完成农业产量10连增,我国的农产品供给局面已完成从短缺转向总量平衡且丰年有余的转变,从而使得我国的农产品出口能力逐渐增加.1992年～2003年期间,中国在农产品贸易占据顺差地位,累计净出口总额513.3亿美元.但是自2004年以来,在加入WTO以及国内农业成本提高的影响下,中国在和其他国家的农产品贸易连续处于逆差地位,其中2005年14.7亿美元,2006年9.6亿美元,2016年增加到380亿美元,其中在大豆、棉花、大麦等作物方面我国的贸易逆差极大,大豆进口量已经接近全国需求量的一半以上.
中印方面,21世纪以来两国农产品贸易额由最初2000年的2.88亿美元上升到2012年的45.71亿美元,贸易总量年均增速25%以上,但在此之后农产品贸易量开始下降,至2015已经下降至16亿美元.另外在双边贸易地位上也有所变化,2004年中印农产品贸易地位发生逆转,中国由2003年的净出口1.1亿美元变为净进口1712万美元,2005年至2015年期间,中国对印农产品出现巨大逆差,中国农产品进口的增长速度大于出口增长速度,进出口差距逐渐扩大并于2012年出现356075万美元的最大逆差,之后差距有所减小.从总体趋势来看,中国对印出口呈缓慢增长趋势,但增幅极小相反对印进口却波动很大.中国从印度进口的农产品主要包括棉花、食糖和食用植物油,印度分别是中国的第二大棉花供应国、第九大食糖供应国和第十大食用植物油供应国,而中国对印出口的主要是水果.
虽然中印两国农产品国际竞争力水平存在较大差异,且两国农产品产业内贸易总体水平仍然较低,但由于中印两国在基本国情和经济发展水平等方面具有较高的相似性,巨大的人口基数以及较低的人均耕地面积并同时作为亚洲地区最大的两个发展中国家,中印两国的农业发展趋势也较为类似,但由于中印两国的农业互补性较强,由此可以说未来中印两国间的农产品贸易将是竞争和合作并存的局面.当前,中印两国农产品贸易总量和产值相对于两国的经济水平來说显得较低,两国的农业优势和农业互补需求所预示贸易潜力并未完全发展,双边农产品贸易可拓展的空间较大.因此如果未来中印政治关系良好,那么两国的农产品贸易的持续走好仍可期待.
二、季节性时间序列模型的应用
1.数据搜集、处理及分析
根据中国商务部农产品进出口月度统计报告内的各个月度的贸易时序数据,对我国2005年1月-2017年4月的各个月度的农产品进出口额进行平稳性分析.图2位月度差分前的序列数据,可以看出这些数据具有明显的周期性,且周期范围为12个月,而且在各个周期内都具有相似的变化趋势,呈现先增加后减少的倒U型.为了剔除原始数据中存在的季节趋势,我们采用月度差分的办法,以2005年第一年作为基期,对每期的数据分别减去上一年对应月份数据以得到能够较好反应贸易总量波动趋势的差分数据,即Y1等于Y-Y（-12）,差分后的数据如下图所示.
格兰杰、菲利普指出,如果对非平稳序列数据即存在着单位根的数据直接进行回归时,便会导致伪回归,此时传统的检验统计量,如t值、F值、dw值将出现偏差.在通过对剔除季节趋势后的数据进行ADF检验,得到ADF值为-4.48,其绝对值大于1%水平下的-4.02,表明在1%的显著性水平下,该序列为平稳序列,允许对该序列建立ARMA模型.
2.ARMA模型的建立
对于ARMA（p,q）模型,分别利用序列的自相关系数和偏自相关系数的截尾性和拖尾性来判断模型p、q阶数：根据差分数据的ACF和PACF图建立ARMA（2,7）、ARMA（3,6）、ARMA（3,7）模型,利用EVIEWS软件进行统计分析,通过比较上述四个模型的拟合优度和相应模型的DW统计量和AIC值,最终确定选取模型ARMA（2,7）.然后对模型进行检验,首先对模型的残差进行正态性检验,其中JB统计量（服从自由度为2的卡方分布）明显大于5%显著性水平下的5.99,则该模型通过检验.其中F统计量的P值大于0.05即表明模型不存在自相关.
3.模型预测
利用模型ARMA（2,7）预测2005年1月-2017年4月中印农产品双边贸易总额,并绘制实际值和预测值的序列图.通过对各个月度中印农产品贸易额的实际值和预测值比较,可以发现预测出来的数值要实际数值相对滞后一些,会存在一定幅度的偏差,波动幅度较大的数据预测值往往会有一定的延迟,但是从前面的模型拟合优度以及模型检验结果来看,ARMA（2,7）模型较好的描述了2005年-2016年检间的中印农产品贸易额的波动趋势.由于时间序列比较适合短期预测,长期趋势的预测需要将各个变量以及其相互之间的协整关系考虑在内,而且随着预测期的不断延长,模型的预测区间的宽度会不断扩大,预测精度降低,因此长期预测的结果比较模糊,缺乏说服力,本文根据模型对2017年10月、11月的中印农产品贸易额进行预测分别为6603.24万美元和6900.75万美元.
三、结论
根据以上的分析过程,证明ARMA模型能比较好的计算、分析中印农产品贸易进出口额的成长变动趋势,具有良好的应用价值,运用ARMA模型进行相关的预测模拟是可行的.从ARMA模型给出的预测结果显示,我国和印度的农产品贸易在短期将呈现小幅上升趋势,总体来说波动较小.但同时我们也应该注意到一些问题,我国和印度在双边贸易总体上我国始终处于顺差地位,但是在于农产品方面我国自新世纪以来始终处于逆差状态.最后,由于ARMA模型仅仅考虑了序列数据本身的特性,而没有将其他一些影响贸易的不确定因素例如政治等因素考虑在内,而是把这些因素以随机误差项来表示,当这些不确定影响因素实际发生时,随机误差项所带来的误差便会加大.
参考文献：
[1]肖亦天,麻吉亮,蔡鑫.中国和印度农产品贸易现状及前景展望[J].农业展望,2017,13（01）.
[2]黄春全,司伟.中国和印度农产品贸易的动态和前景分析[J].国际经贸探索,2012,28（07）.
[3]刘鑫.基于ARMA模型的我国一般贸易进出口额的时间序列分析[J].统计和咨询,2009,（04）.
农产品贸易论文参考资料：
结论：基于ARMA模型中印农产品贸易进出口额时间序列分析为关于对不知道怎么写农产品贸易论文范文课题研究的大学硕士、相关本科毕业论文农产品贸易公司注册论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
