我國工業增加值季節波動非線性研究
——基于SEATV-STAR模型

危黎黎，向書堅

(1.湖北大學應用數學湖北省重點實驗室，湖北 武漢 430062； 2.湖北大學數學與統計學學院,湖北 武漢 430062； 3.中南財經政法大學科學研究部，湖北 武漢 430073)

?

我國工業增加值季節波動非線性研究
——基于SEATV-STAR模型

危黎黎1,2，向書堅3

(1.湖北大學應用數學湖北省重點實驗室，湖北 武漢 430062； 2.湖北大學數學與統計學學院,湖北 武漢 430062； 3.中南財經政法大學科學研究部，湖北 武漢 430073)

多數宏觀經濟變量時間序列有季節波動，如果季節波動是非線性的，采用經季節調整過的數據或傳統季節模型等線性處理季節波動的方法可能就不再適用。本文基于季節時變平滑轉換自回歸(SEATV-STAR)模型，運用“特殊到一般”的非線性檢驗策略對我國工業增加值季度增長率季節波動進行研究。結果表明：(1)工業增加值的季節波動兼有結構時變和非線性改變，工業增加值的周期波動是線性的。(2)技術進步、體制變遷等因素使得工業增加值季節波動發生連續的結構時變，它們是季節波動變化的主要影響因素。(3)工業增加值周期波動對其季節波動有非對稱影響；在工業增加值的波峰階段，其季節波幅會減小，且1、2季度工業增長率有明顯提高。

SEATV-STAR模型；平滑轉換；結構時變；季節波動變化

1 引言

季節性不僅受氣候因素的直接影響，社會制度變革、技術更新及風俗習慣的變化也都會引起季節變動[1-2]。1978年我國實行改革開放政策，90年代后我國制度變遷進入新的發展階段，經濟與體制的大變革決定了我國宏觀經濟變量的季節波動必然發生改變。季節波動是引起宏觀經濟波動的主要原因之一，因此，正確認識并以恰當方式處理季節波動不僅有利于經濟變量的動態性研究，而且對我國宏觀調控具有重要的指導價值和現實意義。

19世紀中期，雖有學者對宏觀經濟變量的季節性表現出濃厚興趣，但對其在經濟問題研究中的地位始終沒有給予足夠的重視。Jevons等學者指出季節性因素是無用的噪聲擾動，認為它模糊或掩蓋了經濟變量間真實的經濟關系。20世紀30年代經濟危機爆發，隨著人們對經濟周期波動的關注，人們普遍認為季節成份多余且同經濟周期無關，季節波動會對經濟周期研究帶來干擾[3]。因此，在經濟周期理論研究或實證分析中，往往用經季節調整過的數據剔除季節波動對宏觀經濟數據分析造成的干擾。20世紀90年代，隨著Miron和Beaulieu[4]對季節影響的重新思考和論證，季節波動研究重新得以重視，大量研究結果表明應充分重視季節性研究。如Miron[5]指出宏觀經濟變量的季節波動不僅包含了其周期波動大量的重要信息，而且季節波動可能會導致巨大的福利損失。因此季節波動對宏觀經濟變量分析有重要影響，不能盲目地把它當作干擾項進行剔除。

季節波動不可能是一成不變的。建立季節模型初期，人們往往用季節虛擬變量刻畫時間序列季節特征。隨著對季節性認識的深入，人們發現季節波動并不是一成不變的，它可能隨著時間推移逐漸發生改變。目前建立季節時間序列模型常用的方法有四種：(1)完全確定的季節過程；(2)由確定性與平穩性之和擬合而成的隨機季節過程[6]；(3)由季節單位根擬合而成的非平穩隨機季節過程[7-8]；(4)系數隨季節變動發生周期變化的季節過程，如周期ARIMA模型。顯見，除了完全確定的季節過程，其它三種情況刻畫的季節波動都發生了改變。

季節波動不可能總是線性地改變。近20年來，隨著非線性理論的快速發展，季節波動非線性研究逐漸受到關注。Bollerslev和Ghysels[9]采用周期GARCH模型研究了金融時間序列群集波動的季節異方差性。Franses等[10]、Mir和Osborn[11]分別用季節平滑轉換自回歸(SEASTAR)模型以及閾值自回歸(TAR)模型對多個發達國家不同的工業生產變量季度或月度數據進行研究，結果表明多數工業生產變量的季節波動隨其周期波動發生了非線性變化。Dijk等[12]用SEATV-STAR模型對G7國家季度工業生產指數季節波動進行研究，結果表明季度工業生產指數的季節波動兼有非線性與結構時變性。Ajmi等[13]用SEA-FISTAR研究了美國通貨膨脹率的非線性、季節性及長記憶性特征，結果表明通貨膨脹率的季節波動具有時變性，此模型能夠顯著提高對通貨膨脹率的擬合。Ajmi和Montasser[14]用季節雙參平滑轉換自回歸(SEA-BSTAR)模型與SEA-STAR模型分別對英國季度工業生產指數進行擬合和預測，結果表明用雙參結構的平滑轉換模型對季節波動進行刻畫，其效果更好。

國內比較缺乏時間序列季節波動研究，且國內學者往往用季節線性方法或方式處理包含季節特征的時間序列變量。賀鳳羊和劉建平[15]、吳嵐等[16]用X-11或X-12ARIMA等季節調整法把時間序列包含的季節因素進行剔除。由于X-11和X-12ARIMA是建立在指數平滑技術之上，因此其本質仍是以線性方式處理季節成份。彭志行等[17]、朱宗元[18]用SARIMA模型對不同領域包含季節特征的時間序列變量進行研究。國內罕見時間序列季節波動非線性特征研究。杜勇宏和王健[2]指出季節是造成高頻數據波動的主要源泉，但該書只對金融市場季節GARCH模型和周期馬爾可夫開關模型進行了簡要的理論介紹。牛東曉和孟明[19]、劉卓軍和柳剛[20]、張大斌等[21]主要采用神經網絡方法對具有季節特征的時間序列進行短期預測，并未對季節波動特征進行針對性研究或說明。由于神經網絡技術把一切問題及推理都轉化成數字與數值計算，因此難以結合問題研究背景對所得結果做出相關的經濟或其它方面解釋。

工業是經濟現代化的基礎與核心。2011年至2013年我國工業增加值占GDP比重接近40%；相比工業總產值，工業增加值能更好地反映工業生產的“最終成果”。本文基于SEATV-STAR模型研究了我國工業增加值的季節波動性，結果表明：我國工業增加值季節波動兼有平滑轉換形式的結構時變與非線性特征。本文不僅豐富了國內對季節波動的研究，而且彌補了對季節波動非線性研究的不足。

2 理論模型

2.1 STAR和TV-AR(結構時變自回歸)模型

為了更好地了解SEATV-STAR模型的性質，這里不妨首先介紹二機制STAR模型[22]，可以如下表示：

(1)

其中，Xt=(1,Δyt-1,…,Δyt-p)′，φi=(φi,0,φi,1,…,φi,p)′(i=1,2)表示自回歸部分對應的系數向量。G(st,γ,c)為轉換函數，它是介于[0,1]之間的連續函數；st為轉換變量；γ為轉換速度參數；c為轉換位置參數。εt～iid(0,σ2)。

Lin和Ter?svirta[23]在STAR模型基礎之上，用時間趨勢項“t*”表示式(1)中的轉換變量，即結構時變自回歸(TV-AR)模型。此模型用以刻畫回歸參數是否隨時間推移發生了連續的結構性改變。

2.2 SEATV-STAR模型

Lundbergh等[1]綜合STAR模型、TV-AR模型[23]以及MRSTAR(Dijk和Franses)[24]三種模型的特點提出了TV-STAR模型，此模型能夠刻畫時間序列變量發生連續的多區間結構時變與多區域的非線性改變過程。可以對TV-STAR模型通過添加季節虛擬變量達到季節波動變化研究的目的，SEATV-STAR模型如下表示：

(2)

本文研究季度時間序列的季節波動，不妨令Dt=(D1,t,D2,t,D3,t,D4,t)′；動態自回歸部分不包含常數項，即Xt=(Δyt-1,…,Δyt-p)′；φi和δi(i=1,2,3,4)分別表示自回歸部分和季節虛擬變量部分對應的系數向量；Δkyt≡yt-yt-k(k≠0)；wt和t*=t/T為轉換變量(T為樣本數)，一般情況下wt為原序列{yt}的線性組合，比如wt=Δ4yt-d(d>0)，wt需平穩；G1(wt)表示非線性平滑轉換函數；G2(t*)表示結構時變平滑轉換函數；εt～iid(0,σ2)。

本文采用邏輯型轉換函數：

Gj(st;γj,cj)=(1+exp{-γj(st-cj)/δst})-1，γj>0

(3)

其中，st=wt(j=1)，st=t*(j=2)，δst=[var(st)]1/2。G1(wt)=0與G1(wt)=1分別表示wt代表的經濟變量的收縮與擴張期；G2(t*)=0與G2(t*)=1分別表示結構時變前與結構時變后。

2.2.1 構造線性輔助回歸函數

(4)

2.2.2 “特殊到一般”的檢驗策略

Lundberg等[1]給出了構建TV-STAR模型“特殊到一般再到特殊”與“特殊到一般”的兩種檢驗策略。“特殊到一般再到特殊”的識別過程較適用于第一印象就能確認所研究的時間序列是否同時具有非線性與結構時變性?！疤厥獾揭话恪钡淖R別過程更側重于對模型非線性和(或)結構時變特征進行先后的選擇。正如“特殊到一般再到特殊”識別過程所述，即使拒絕了原假設(特殊到一般)，仍需要再做兩個嵌套檢驗，以判定確實有必要用TV-STAR模型進行建模，還是只采用STAR或TV-AR其中的一種(一般到特殊)。而“特殊到一般”的識別過程直接從最優的STAR或TV-AR模型開始，然后再逐漸擴張至TV-STAR模型?！疤厥獾揭话恪钡闹饾u擴張的過程不僅可以避免過度非線性或結構時變擬合，而且又能對所研究時間序列做出最充分的非線性或結構時變估計。如果先選擇結構時變(TV-AR)， 后選擇非線性(STAR)，說明所研究對象的結構時變性要強于非線性。因此，本文采用“特殊到一般”的檢驗策略，其步驟大致為：

首先，對季節部分Dt與動態自回歸部分Xt分別進行非線性與結構時變檢驗，通過對服從F分布的LM統計量對應的P-值進行比較，選擇合適的子模型。如果P-值都不顯著，則表示季節部分與動態自回歸部分既無非線性也無結構時變性；如果P-值顯著，選擇最小P-值對應的情況建立子模型。

其次，估計子模型的參數并對子模型的殘差分別關于季節部分與動態自回歸部分進行非線性殘余與結構時變殘余檢驗，如果檢驗仍顯著，選擇最小P-值對應情況對子模型進行擴張。

再次，估計經擴充的子模型的參數并對模型進行診斷，直到季節部分及動態自回歸部分無非線性或結構時變殘留、模型診斷效果(殘差無自相關、無異方差，參見Eitrheim和Ter?svirta[25])較好為止。

2.2.3 季節波動與周期波動結構時變及非線性檢驗

在經濟變量周期部分為線性且季節改變與時間變化無關的前提下，季節波動是否隨變量wt發生非線性改變的原假設為：

(5)

在經濟變量周期部分為線性且季節改變與變量wt無關的前提下，季節波動是否發生結構時變的原假設為：

(6)

同理，在季節波動是平穩的、確定性前提下，經濟變量周期部分有關非線性或結構時變的原假設分別為：

(7)

(8)

基于拉格朗日乘子(LM)統計量對上述季節波動與周期波動是否發生非線性及結構時變對應的原假設分別進行檢驗。相關推導參見Lundbergh等[1]。

3 工業增加值周期波動對其季節波動影響

3.1 數據來源與處理及平穩性檢

3.1.1 數據來源與處理

數據選取1990年1月～2013年12月我國工業增加值同比增長率(國家統計局每月發布規模以上工業增加值同比數據。缺少2007～2012年各年1月、2013年1～2月同比工業增加值)；1999年2月～2013年12月工業增加值累計增長率；2011年1月～2013年12月工業增加值環比增長率；1990年1月～2006年12月的工業增加值(億元)。工業增加值同比增長率、累計增長率、環比增長率數據來源于中經網統計數據庫；工業增加值數據來源于新浪財經網上的中國宏觀經濟數據。

為得到1990～2013年季度工業增加值，數據處理過程大致如下：

步驟一，計算1990年1月～2013年12月工業增加值定基增長率(1990M1=100)。參考高鐵梅[26]。

步驟二，計算1990年1月～2013年12月不變價工業增加值(1990M1=100；缺少2007～2012年各年1月、2013年1～2月不變價工業增加值)。

步驟三，計算1990年1季度～2013年4季度不變價工業增加值(缺少2007～2013年各年1季度的不變價工業增加值)。

步驟四，補齊2007～2013年各年1季度的不變價工業增加值。由2006年1季度不變價工業增加值與2007年1～3月的累計同比得到2007年1季度不變價工業增加值。同理，得到2008 ～2013年各年1季度不變價工業增加值。

基于上述四個步驟得到不變價(1990M1=100)工業增加值年增長率，將此數據與國家統計局網站給出的1999～2013年工業增加值年增長率(可比價)進行對比，如圖1所示。由圖1，發現二者高度吻合。

圖1 不變價與可比價工業增加值年增長率

圖2 工業增加值季度增長率圖

數據補齊后，共96個季度數據；用{Δyt}表示工業增加值季度增長率(1990M1=100)，如圖2所示。

3.1.2 數據平穩性檢驗

對工業增加值季度增長率序列{Δyt}進行單位根檢驗，ADF檢驗和PP檢驗結果表明：在5%的顯著性水平下，工業增加值季度增長率序列是平穩的。

3.2 工業增加值周期波動對其季節波動影響實證

3.2.1 周期波動對季節模式的影響

先把1990年1季度～2013年4季度工業增加值數據轉換為相應的年度數據，再取對數，做一階差分得到工業增加值年增長率，如圖3所示。

圖3 工業增加值年增長率

由圖3，工業增加值年增長率具有明顯的周期波動特征。1992～1993年、1994～1996年、1997～1998年、1999～2001年分別對應著工業增加值變量在觀測期內其中一個周期的波峰期、回落期、波谷期與回升期。表1給出季節虛擬變量線性模型對此周期不同發展階段分別進行擬合的結果。由表1，同1992～1993年波峰期相比，1994～1996年回落期4季度、1997～1998年波谷期1和2季度、1999～2001年回升期1季度的季節模式都發生改變。

3.2.2 周期波動對季節波幅的影響

時間序列的觀測值通常由四個影響因素構成：長期趨勢T、循環變動C、季節變動S、不規則變量I。季節指數刻畫季節變動成份S，測度了年度內各月或各季的季節因素對時間序列變量的影響大小。標準差與平均數的比值稱為變異系數，用以測度季節波動的程度。變異系數越小，變異(偏離)程度越??；反之，變異(偏離)程度越大。

表1 擴張和收縮時期季節模式對比

注：**表示在0.001的水平下顯著；*表示在0.05的水平下顯著；——表示在0.1的水平下不顯著。

表2 擴張和收縮時期季節波幅對比

基于乘法模型，表2給出工業增加值在其中一個周期的波峰期、回落期、波谷期以及回升期對應的季節指數及變異系數。其中，Si(i=1，2，3，4)表示四個季度的季節指數。

由表2， 1997～1998年波谷期，季節波動離散程度高達260.8%，季節波幅最大；1992～1993年波峰期，季節波動離散程度為135.9%，季節波幅最小。1994～1996年回落期與1999～2001年回升期，工業增加值的季節波幅相當、差別不大。

4 基于SEATV-STAR模型的季節波動非線性實證

4.1 工業增加值季節波動影響因素變量選取

4.1.1 技術進步與制度變遷

自改革開放以來，我國工業經濟發展經歷的以“開放化、市場化、民營化”為核心內容的三次制度變遷及技術進步，都極大地促進了我國工業經濟發展。類似于Dijk等[12]用隨時間變化的變量“t*=t/T(T為樣本數)”表示“制度變革、技術更新”等因素對工業增加值季節波動改變影響。

4.1.2 工業增加值周期波動

對1990年1季度～2013年4季度工業增加值序列取對數后做季節差分(四階差分)，得到季度工業增加值同比增長率，如圖4所示。

圖4 季度工業增加值季節差分圖

圖4與圖3有相似的變化趨勢。因此，季度工業增加值的季節差分序列能夠很好地反映工業增加值變量的周期波動。類似于Franses等[10]，Mir和Osborn[11]，Dijk等[12]，不妨用季節差分序列{Δ4yt}刻畫工業增加值的周期過程。

4.2 模型構建

通過R軟件3.1.1版本編程實現SEATV-STAR模型構建涉及到的季節部分和周期部分非線性與結構時變穩健性檢驗、模型參數估計、殘差非線性與結構時變殘留檢驗、殘差無自相關與無異方差檢驗等實證。

4.2.1 子模型確定及其殘差非線性與結構時變殘余檢驗

1)確定季節虛擬變量線性模型最大滯后項p

本文采用BIC信息準則選取包含季節虛擬變量線性自回歸部分最大滯后項p=8。Ljung-Box檢驗結果表明線性回歸模型的殘差部分無自相關，滯后項p=8的選擇不會影響下文對非線性與結構時變特征的正確判斷。

2)非線性與結構時變檢驗

分別對工業增加值季度增長率的周期部分與季節部分進行非線性及結構時變檢驗。由于異常點會影響非線性檢驗結果，本文采用異方差穩健性估計得到結構時變及非線性檢驗對應的LM統計量值。下文不再重復性說明。結果如表3所示。

由表3，當轉換變量Δ4yt-d中的滯后項d分別取1、2、3、4時，季節波動檢驗結果為：第7列與第9列的LM1和LM3統計量在0.05的水平下都顯著，表明技術進步、體制變遷等未知因素使得工業增加值的季節波動發生了連續的結構時變。第3列與第5列的LM1和LM3統計量在0.1的水平下基本都不顯著。同理，周期部分檢驗結果為：周期部分在0.1的顯著性水平下發生結構時變；在0.1的顯著性水平下沒有非線性。

表3 工業增加值季度增長率的非線性和結構時變穩健性檢驗

注：本文采用邏輯性轉換函數；LM1和LM3為在三階泰勒展式下進行的檢驗；STAR和TV分別表示非線性與結構時變檢驗；D(8,i)和Y(8,i)表示當轉換變量Δ4yt-i中的滯后項d=i時，分別對季節部分和自回歸部分進行的檢驗。

表4 殘差非線性及結構時變殘余的LM統計量穩健性檢驗

注：(1)Ds,t與Δyt表示分別對季節部分與動態自回歸部分進行檢驗；(2)t*表示結構時變檢驗；Δ4yt-j(i=1,2,3,4)表示在不同滯后項下的非線性檢驗；(3)*表示LM統計量在0.1的水平下顯著；**表示LM統計量在0.05的水平下顯著。

根據模型“特殊到一般”的檢驗策略，首選工業增加值季度增長率的季節部分發生結構時變。

3)子模型的估計與診斷

建立SEATV-STAR模型的過程中，需要把不顯著的參數從模型中剔除掉，否則會影響殘差部分非線性與結構時變殘余檢驗。季節波動發生結構時變的子模型估計如下：

Δyt=0.208Δyt-1-0.301Δyt-2+0.428Δyt-4-

se (0.083) (0.097) (0.097)

0.165Δyt-6+0.202Δyt-7-0.077Δyt-8+

(0.092*) (0.082) (0.030*)

(0.092D1,t-0.058D2,t+0.126D3,t-

(0.026) (0.019) (0.024)

(9)

0.050D4,t)+(-0.075D1,t+0.077D2,t-

(0.020) (0.023) (0.020)

0.103D3,t+0.073D4,t)×G(t*;γ,c)+μt

(0.022) (0.021)

其中，G(t*;γ,c)={1+exp[-23.827(t*-0.169)]}-1

(6.156) (0.019)

(10)

注：se表示估計參數對應的標準差；*表示在0.1的水平下顯著；剩余已給參數在0.05水平下顯著。

4)殘差部分非線性與結構時變殘留檢驗

對子模型殘差關于周期及季節兩部分進行非線性與結構時變殘留檢驗，對應的LM統計量穩健性檢驗結果如表4所示。

由表4，子模型的殘差關于動態自回歸部分無非線性、也無結構時變殘余；子模型的殘差仍有季節波動結構時變和非線性殘余。由于這兩種情況對應的P-值相差不大，很難確定子模型的擴展方向。因此，將分別從兩個方向對子模型進行擴充：添加季節波動結構時變或非線性改變。

限于篇幅，下文沒有給出對子模型繼續添加季節波動結構時變的實證結果。相比子模型，發生兩次結構時變的擴展模型對我國工業增加值季節波動非線性及結構時變的擬合并無改善。因此，此方向的擴張模型不可取。

4.2.2 對子模型添加季節波動非線性改變

1)擴充模型估計

結合網格搜索法和BFGS擬牛頓非線性算法得到模型參數估計值。工業增加值季節波動發生結構時變與非線性改變的估計方程如下所示：

Δyt=0.193Δyt-1-0.254Δyt-2+0.271Δyt-4-

se (0.071) (0.081) (0.089)0.241Δyt-5-0.321Δyt-6-0.140Δyt-8+(0.098D1,t-(0.077) (0.082) (0.080*) (0.020)

0.040D2,t+0.138D3,t)+(-0.065D1,t+0.066D2,t-

(0.010) (0.018) (0.016) (0.012)

0.089D3,t+0.050D4,t)×G1(t*;γ1,c1)+

(0.013) (0.008)

(0.023D1,t+0.036D2,t)×G2(Δ4yt-4;γ2,c2)+μt

(0.006) (0.006)

(11)

其中，G1(t*;γ1,c1)={1+exp[-33.333(t*-0.184)]}-1(7.862) (0.011)

(12)

G2(Δ4yt-4;γ2,c2)={1+exp[-400.115(Δ4yt-4

(644.272**)

-0.140)]}-1

(13)

(0.001)

注：**表示在0.1的水平下不顯著；*表示在0.1的水平下顯著；剩余已給參數在0.05水平下顯著。

2)殘差部分無自相關、無異方差檢驗

擴充模型的殘差無自相關LM統計量穩健性檢驗結果為：LMAR(1)=1.533 (0.220)；LMAR(5)=0.478(0.791)；LMAR(10)=0.612(0.796)。殘差無異方差的LM統計量穩健性檢驗結果為：LMARCH(1)=0.225(0.636)；LMARCH(5)=0.509 (0.769)；LMARCH(10)=0.302 (0.978) 。其中括號內為對應的P-值。

3)殘差部分非線性與結構時變殘留檢驗

對上述擴充模型的殘差分別關于動態自回歸與季節部分進行非線性或結構時變殘留檢驗，結果如表5所示。

由上述檢驗結果可知，擴充模型的殘差在穩健性檢驗下無自相關、無異方差、無非線性及結構時變殘留。因此，式(11)對應的SEATV-STAR模型對我國工業增加值季節波動的結構時變及非線性擬合是有效且充分的。結合圖5，顯見SEATV-STAR模型對我國工業增加值的擬合效果非常好。

圖5 工業增加值季度增長率擬合圖

4.3 SEATV-STAR模型結果分析

4.3.1 工業增加值季節波動結構時變與非線性特征分析

由式(12)和(13)，工業增加值季節波動發生平滑轉換形式的結構時變與非線性改變如圖6所示。

大致把1990年至2013年工業增加值季節波動結構性改變分為三段： 1990年初至1993年末，工業增加值季節波動發生結構變化前；1994年初至1998年末，季節波動正處于結構變動過程中；1999年初至2013年末，季節波動發生結構變化后。

圖6 季節波動非線性與結構時變對應的轉換函數

表5 殘差無非線性及結構變化殘余的LM統計量穩健性檢驗

注：(1)Ds,t與Δyt表示分別對季節部分與動態自回歸部分進行檢驗;(2)t*表示結構時變檢驗；Δ4yt-i(i=1,2,3,4)表示在不同滯后項下的非線性檢驗。

由圖6及式(13)，工業增加值周期波動對其季節波動有非對稱影響。轉換變量滯后項為4，表明季節波動發生非線性轉換約有一年的滯后期。如果我國某年1、2季度工業增加值同比增長率(等價于季節差分)高于0.14的閾值水平，則會導致下一年1、2季度工業增加值增長率向上調整；反之，向下調整；但這兩個方向的調整速度與強度都不同，具有非對稱性。

4.3.2 不同因素對工業增加值季節波動變化影響分析

由式(11)季節波動的線性、結構時變及非線性部分對應的回歸系數，易知四個季度都發生了連續的結構時變，只有1、2季度發生非線性改變。結構時變對應系數的絕對值遠遠大于非線性變化對應系數。即相比工業增加值周期波動對季節波動的非對稱影響，技術進步、體制變遷等因素是導致我國工業增加值季度增長率季節波動改變的主要影響因素。

相比結構變化前，結構變化后1、3季度工業增加值增長率的季節性減弱，2、4季度的季節性增強，技術進步、經濟體制變遷等因素影響大幅降低了我國工業增加值的季節波動。

比較工業增加值繁榮期與蕭條期季節波動回歸系數，當處于工業增長的繁榮期時，工業增加值的季節波幅會減小。

5 結語

本文基于SEATV-STAR模型對我國工業增加值季度增長率的季節波動與周期波動的結構時變與非線性特征進行研究，得到如下結論與啟示：

1)工業增加值的季節波動兼有平滑轉換形式的非線性與結構時變性；工業增加值的周期波動是線性的。技術進步、經濟體制變遷等因素與工業增加值周期波動都會對工業增加值的季節波動改變產生影響。其中，技術進步、體制變遷等因素特有的連續性、漸進性使得工業增加值季節波動發生連續的結構時變；工業增加值周期波動使得其季節波動發生非線性改變，即周期的擴張與收縮階段對季節波動變化具有非對稱影響。

2)技術進步、經濟體制變遷等未知因素是導致工業增加值季節波動的主要影響因素。技術進步、體制變遷等因素能夠極大地減弱工業增加值的季節波動性，有利于季節波動的穩定。包含經濟周期轉換函數的4階滯后及1、2季度工業增加值季節波動非線性調整意味著：我國工業經濟政策的制定應有1年的前瞻性，且在上半年出臺比較奏效。

3)近十多年來，平滑轉換(STR)模型已廣泛應用于我國宏觀經濟變量及金融領域的非線性與非對稱研究，罕見具有平滑轉換形式的結構時變模型的應用研究?？紤]到我國改革開放的大環境及近幾十年來經濟與制度上的變革，在對宏觀經濟變量的動態特征進行研究時有必要考察結構時變帶來的影響，這有助于我們正確認識經濟變量的非線性。

4)SEATV-STAR模型對我國工業增加值季節波動非線性特征恰當且充分的擬合表明：建立在指數平滑法基礎之上的X-11與X-12等季節調整及傳統季節線性模型可能不是處理時間序列季節成份最有效的方式或方法。如果時間序列的季節波動確實有非線性或結構時變性，季節調整法或季節線性模型可能會造成對時間序列預測以及對其它性質或現象的錯誤分析及結論，這也是今后研究方向之一。

[1]LundberghS,Ter?svirtaT，vanDijkD.Time-varyingsmoothtransitionautoregressivemodels[J].JournalofBusinessandEconomicStatistics，2003，21(1): 104-121.

[2] 杜勇宏，王健. 季節時變序列理論與應用[M]. 南京:南京大學出版社，2008.

[3]BurnsAF,MitchellWC.Measuringbusinesscycles[R].WorkingPaper,NationalBureauofEconomicResearch,1946.

[4]MironJA，BeaulieuJJ.Whathavemacroeconomistslearnedaboutbusinesscyclesfromthestudyofseasonalcycles?[J].TheReviewofEconomicsandStatistics，1996，(1)：54-66.

[5]MironJA.Theeconomicsofseasonalcycles[M] .MA:MITpress.Cambridge,MassachusettsLondon,England, 1996.

[6]CarpenterRE，LevyD.Seasonalcycles,businesscycles,andthecomovementofinventoryinvestmentandoutput[J].JournalofMoney,CreditandBanking，1998，3(3)：331-346.

[7]HyllebergS,EngleRF,GrangerCWJ，etal.Seasonalintegrationandcointegration[J].JournalofEconometrics，1990，44(1)：215-238.

[8]BeaulieuJJ，MironJA.SeasonalunitrootsinaggregateU.S.data[R].TechnicalPaper,NBER，1992.

[9]BollerslevTim,EricG.Periodicautoregressiveconditionalheterosedasticity[J].AmericanStatisticalAssociation, 1996, 14(2):139-151.

[10]FransesPH,BruinPde，vanDijkD.Seasonalsmoothtransitionautoregression[J].EconometricInstituteReport， 2000，(6):1-34.

[11]Matas-MirA，OsbornDR.Doesseasonalitychangeoverthebusinesscycle?Aninvestigationusingmonthlyindustrialproductionseries[J].EuropeanEconomicReview，2004，48(6):1309-1332.

[12]vanDijkD,StrikholmB，Ter?svirtaT.Theeffectsofinstitutionalandtechnologicalchangeandbusinesscyclefluctuationsonseasonalpatternsinquarterlyindustrialproductionseries[J].JournalofBusinessandEconomicStatistics, 2003，6(1):104-121.

[13]AjmiAN,NasrAB，BoutaharM.SeasonalnonlinearlongmemorymodelfortheUSinflationrates[J].ComputationalEconomics，2008，31:243-254.

[14]AjmiAN，MontasserGE.Seasonalbi-parametersmoothtransitionautoregressivemodesfortheUKindustrialproductionindex[J].AppliedMathematicalSciences，2012，6(32):1541-1562.

[15] 賀鳳羊，劉建平.如何對中國CPI進行季節調整——基于X-12-ARIMA方法的改進[J]. 數量經濟技術經濟研究, 2011, (5):110-124.

[16] 吳嵐，朱莉，龔小彪. 基于季節調整技術的我國物價波動實證研究[J]. 統計研究, 2012, (9):61-65.

[17] 彭志行,鮑昌俊，趙揚,等.ARIMA乘積季節模型及其在傳染病發病預測中的應用[J]. 數理統計與管理, 2008, 27(2):362-368.

[18] 朱宗元. 我國保險賠付的時間序列分析：建模與預測 [J]. 數理統計與管理, 2010, 29(4): 698-704.

[19] 牛東曉, 孟明. 季節型增長趨勢電力消費預測研究:基于中國的實證分析[J]. 中國管理科學, 2010, 18(2):108-112.

[20] 劉卓軍，柳剛. 安全事故現狀與趨勢分析方法研究[J]. 中國管理科學, 2010,18(4):183-192.

[21] 張大斌，李紅燕，劉肖，張文生. 非線性時間序列的小波模糊神經網絡集成預測方法[J]. 中國管理科學, 2013, (S2):647-651.

[22]Ter?svirtaT.Specification,estimationandevaluationofsmoothtransitionautoregressivemodels[J].JournaloftheAmericanStatisticalAssociation, 1994, 89(425):208-218.

[23]LinCFJ，Ter?svirtaT.Testingtheconstancyofregressionparametersagainstcontinuousstructuralchange[J].JournalofEconometrics, 1994, 62(2):211-228.

[24]DijkDV，FransesPH.Modelingmultipleregimesinthebusinesscycles[J].MacroeconomicDynamics，1999，3(3): 311-340.

[25]Eitrheim?，Ter?svirtaT.Testingtheadequacyofsmoothtransitionautoregressivemodels[J].JournalofEconometrics, 1996, 74(1) :59-75.

[26] 高鐵梅.計量經濟分析方法與建?！狤views應用及實例(第二版)[M].北京：清華大學出版社,2009.

ResearchontheNonlinearityofSeasonalFluctuationsofChina’sIndustrialAddedValue——BasedonSEATV-STARmodel

WEI Li-li1，2,XIANG Shu-jian3

(1.Hubei Key Laboratory of Applied Mathematics,Hubei University,Wuhan 430062,China; 2.School of Mathematics and Statistics,Hubei University,Wuhan 430062,China; 3.Department of Scientific Research,Zhongnan University of Economics and Law, Wuhan 430073,China)

Most of the macroeconomic time series have seasonal fluctuations and if the seasonal fluctuations are truly nonlinear, then the methods of seasonal adjusted or traditional season models using linear methods to deal with seasonal fluctuations are may be improper. Based on SEATV-STAR model, “from the special to general” testing strategies ware applied to investigate the seasonal fluctuation of China’s industrial added value and the results are as follows: seasonal fluctuation of industrial added value has the properties of structural time-varying and nonlinear change, while the periodic fluctuation is linear. The factors such as technological progress and economic system transition are the main influence factors to cause seasonal fluctuation’s continuous structural change. Besides, cyclical fluctuation of industrial added value results in seasonal fluctuation’s asymmetric change. In the peak periods of industrial added value, seasonal amplitude reduce while quarter 1th&2nd′s growth speed improve significantly.

SEATV-STAR model; smooth transition；structural time-varying；seasonal fluctuation change

1003-207(2016)04-0010-09

10.16381/j.cnki.issn1003-207x.2016.04.002

2014-10-26；

2015-04-17

國家社會科學基金資助重點項目(15ATJ003)；國家自然科學基金資助項目(71162017)

危黎黎(1980-)，女(漢族)，河南信陽人，湖北大學數學與統計學學院，講師，研究方向：宏觀經濟統計，國民經濟核算，E-mail:weili@hubu.edu.cn.

F402.4

A