基于大數據的長三角制造業指數建構與預測研究

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

關鍵詞：制造業; 企業大數據; 制造業指數

一、 文獻評述

近年來，國內外對制造業大數據的研究主要聚焦于三個方面。一是關于制造業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、出口企業全要素生產率、輕工業和混合工業企業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的生產投入成本，而從密集研發型的國家進口則能有效提升投入的質量。二是關于制造業大數據的預測研究。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應用研究。如楚東曉探討了大數據在工業設計領域的應用，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大數據，結合制造業的行業經營特點，在設定制造業的長期發展趨勢為整體增長且具有季節性規律的基礎上，基于制造業的歷史數據，通過數據擬合來計算長期發展趨勢和季節性規律的具體值，并以加法或乘法模式來進行制造業的發展趨勢預測。

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。回歸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月的長三角區域部分制造業企業的經營數據，再結合了統計、發改、財政、稅收、經信等部門公開發布的制造業數據。研究方法以制造業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發展變化。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企業的經營數據與行業整體發展的協調性，一方面，企業大數據的匯集要同步反映制造業的整體發展情況;另一方面，企業大數據還需在一定程度上先行反映制造業未來一段時間的發展趨勢，提前發現制造業發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、完整地反映制造業的發展和運行情況，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、財政、稅務、發改、統計、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的發展情況;另一方面，隨著經濟運行和制造業發展的不斷變化，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、反映制造業的實際發展情況。

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

根據這三個原則，本研究所建立的長三角制造業指數，分規模、經濟效益和發展等層面，用12個指標來反映制造業的總體態勢。制造業規模方面，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職工人數來反映。制造業的經濟效益方面，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。制造業的發展方面，以新增企業數量和用電量來反映。為了避免數據不統一，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指數。建立如下的計量方程：

MI=Σmj=1wjxj

其中，MI為長三角制造業指數（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。設定長三角制造業的長期發展趨勢為整體增長且具有季節性規律，則可以MI的數值大小來反映制造業的發展情況，并預測制造業在未來一段時間的發展趨勢。

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

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企業。研究立足于長三角區域，數據記錄累計達420萬條。

鑒于制造業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，主要是剔除在連續年份中，納稅數據不連續出現的制造業企業。如在時間跨度中，某各企業的納稅數據存在缺失，則將該企業從數據樣本中剔除。該清洗方法，保證了制造業企業樣本量的連續性和可比性。

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分析所造成的影響。

三、 實證分析

1. 長三角制造業指數計算。本研究從微觀和宏觀入手，對制造業進行實證研究。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. 對長三角制造業發展的預測分析。分項指標呈現了很強的季節性，且擬合值曲線和觀測值曲線在整個區間中重合較好，可用簡單季節性模型來擬合這些指標。對2018年7月～12月的長三角制造業指數做計算，得到結果為103.14、102.11、104.35、103.25、104.31和103.14。結果表明，長三角區域制造業在平穩增長的同時，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大數據的基礎工作。以長三角制造業指數構建為基礎，根據制造業的發展變化，動態優化、完善指標體系，增加能更好地反映制造業發展趨勢的指標，刪除對制造業發展不敏感、不能及時反映動態變化的指標，保持指標體系的先行性和科學性。對制造業大數據，要定期進行清理和清洗，及時發現并處理空白、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“行業云”“政務云”等方式，加強制造業數據之間的共享和交換，在行業、政府主管部門之間形成共享機制，及時發現、預警制造業發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。對于企業而言，需要緊跟當前制造業的總體發展趨勢，提升研發和營銷能力，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，則要加強對制造業整體的科學研判，規劃生成一批有影響力、具帶動效應的項目，引導制造業企業進行基礎技術聯合攻關，帶動、集聚并形成完備的制造業產業鏈。政府部門還要加強對制造業扶持資金的管理，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、對解決制造業發展具有示范效應的項目上來。繼續加大科研激勵，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，營造更優越的科研環境，更好地出現創新成果。

五、 結語

本研究基于長三角區域制造業企業的大數據，通過建模分析，對制造業的發展作了擬合和預測。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的全要素生產率——基于工業企業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。