论文部分内容阅读
摘要：在变量选择的基础上，构建基于Lasso方法和BP神经网络的预测模型，并对我国城乡居民的消费支出进行预测，结果显示：基于Lasso方法和BP神经网络的组合预测精度要明显高于BP神经网络、Lasso方法的预测精度；在2014-2020年，我国农村居民消费增长率有所提升，城镇居民消费增长率减缓，城乡居民消费增长率之间的差距呈下降趋势，但是短期内城乡居民消费差距依然难以缓和。
关键词： 消费；Lasso方法；BP神经网络；预测
中图分类号：F069
The Study on Prediction of Residents Consumption Expenditure
based on Lasso and BP Neural Network
YU Sheng-hua， ZHANG Jing
（ School of Economics and Trade， Hunan University， Changsha， Hunan 410079 ）
Abstract： On the basis of variable selection， created a multivariate prediction model based on the combination of Lasso method and BP neural network ，and prediction of China's urban and rural residents consumption expenditure. The prediction results showed that：the combination of Lasso method and BP neural network prediction accuracy is higher than that of the BP neural network，the Lasso method，the results also showed that in 2014-2020 years， the growth rate of rural residents consumption has improved，the consumption of urban residents increased slowly， the gap between urban and rural consumption rate showed a downward trend，but the gap between urban and rural consumption is still difficult to ease in the short term.
Key words： consumption； Lasso method； BP neural network； prediction
一、引言及文献综述
近年来，欧美经济复苏乏力，影响世界经济的各种不确定因素有增无减。我国进出口总额的增长速度不如预期，且存在进一步下行的压力，表明世界经济放缓已对我国外贸产生较大的影响，净出口对我国经济增长的拉动已显得力不从心，目前，中国经济主要靠投资和消费拉动，但如果投资规模过大，又会引致结构调整不力、产能过剩和重复建设等问题。为应对极其严峻的国内外经济形势，党和政府多次强调要着力扩大内需，特别是居民消费需求。与世界其他一些国家相比，我国居民的最终消费率仍偏低，属于典型的高储蓄、低消费的国家。发达国家消费对经济增长的贡献率已达70%-80%，国内才30%-40%。从1980年至2013年，最终消费对GDP的贡献率和拉动率分别由71.8%、5.6个百分点下降到50%、3.85个百分点。在当前及今后一段时间，扩大国内消费需求已成为拉动经济增长、保持国民经济持续健康协调发展的重要途径和必然选择。因此，深入探讨影响我国居民消费的主要因素并对未来的消费支出进行预测仍然具有十分重要的现实意义。
针对居民消费支出，常用的预测方法有回归预测法、 时间序列预测法、BP神经网络预测法以及灰色预测法等。李文星等[1]基于1952-2004年的宏观经济数据，利用回归方法分析了中国居民消费和人口自然增长率之间的关系，预测结果表明，人口自然增长率在未来对中国居民消费影响有限。张靖[2]建立了影响山西居民消费水平因素的线性模型，并对山西省城乡居民2012-2015年的消费水平进行了预测；乔娜[3]利用ARIMA模型对我国未来的居民消费额进行了短期预测。肖剑兰等[4]， 严健标等[5]分别用1997-2007年消费支出的年度时间序列数据和1952-2008年我国农村居民消费水平的相关数据建立了ARIMA模型，他们的研究表明：ARIMA模型在短期预测中具有较高的预测精度。张正球等[6]用BP神经网络方法预测了我国2014—2020年的煤炭消费量和碳排放量。灰色预测法是一种根据因素之间发展态势的相似或者相异程度来衡量因素间关联程度的预测方法。刘培路[7]以2001-2009年辽宁省农村居民人均消费为研究对象，通过建立灰色GM（1，1）模型预测了2010-2014年辽宁省农村人均消费支出。达瓦[8]以西藏农村居民人均生活消费支出作为研究对象，建立了灰色模型，对西藏农村居民未来消费支出的年均增长率做出了预测。沈莲军[9]，郝君妮[10]也分别以南京市、山西省居民的历年消费支出为依据，建立灰色预测模型，对其未来居民消费水平进行预测。
组合预测法在经济预测方面也得到了广泛的应用，刘子玉[11]根据吉林省1994-2007年农村居民消费需求量和消费结构中的各因素与居民收入的数据，分别应用回归预测法、灰色预测法和神经网络预测法对吉林省农村居民消费水平和消费结构的发展趋势进行预测，在此基础上再利用权重计算方法构建组合预测模型。马玉琪[12]分别应用二次指数平滑法和灰色预测法对我国“十二五”期间农村居民消费支出进行预测，再以一定的权重将它们综合作为最终预测结果。从信息利用的角度来说， 任何单一预测方法都只利用了部分有用信息， 而且信息利用的程度也是不同的， 组合两种或两种以上的预测方法， 可以弥补单一预测方法在某些方面的不足之处。 二、Lasso与BP神经网络方法
设有线性回归模型：
（1）
其中 为常数项， 为回归系数， 是随机扰动项。
设 ， 是变量的 组观测值，不妨假定数据已经中心标准化，记 ， 则模型（1）中未知参数 与 的Lasso估计[13]定义为：
，使得 （2）
这里 是惩罚参数. 令 表示 的最小二乘估计， . 当 时，（2）式中的最优解即为 ，而当 时，（2）式中的部分最优解可能会等于0，而相应的变量则会从模型中删除，从而达到变量选择的目的。由于数据已中心标准化，所以，对任意的 ，（2）式中 的解恒为 .即（2）式等介于
，使得 （3）
（3）式的最优解称为Lasso解，通过改变 值可得到所有Lasso解，这时，我们可用 准则、赤池信息准则（AIC）或贝叶斯信息准则（BIC）等选择最佳模型，Lasso方法在选择变量的同时也实现了对未知参数的估计，该方法能较好地解决模型中存在的多重共线性问题，尤其适合处理高维数据。
若用二次规划方法求解（3）式，则计算量很大，直到Efron，B等[14]提出最小角回归算法才有效地解决了Lasso方法的计算问题。
Lasso方法本质上还是线性回归方法，它不适合处理非线性问题，而神经网络方法可以弥补Lasso方法在这方面的不足之处。
BP神经网络是一种有隐含层的多层前馈网络，层与层之间的神经元采用全互联的方式并通过相应的权系数 连接，但每层内的神经元之间没有联系，由于其具有很强的非线性映射能力和柔性的网络结构而受到众多领域的应用工作者的重视。
BP神经网络的学习过程分为正向传播和反向传播两个阶段，在正向传播阶段，隐含层把输入层的原始信息向前传播到输出层，并输出相应的信息。在通常情况下，网络的实际输出值与期望输出值之间会存在较大的差异，第二阶段（反向传播阶段），如果在输出层没有得到期望的输出值结果，即网络的实际输出与期望输出之间存在误差，这时，要通过反向传播把误差反馈给网络，并通过调节层与层之间各神经元的连接权值使误差达到最小，在BP神经网络中，一般通过梯度下降算法来调整权值。与Lasso方法不同，BP神经网络可基于历史数据并通过自动调整网络的连接权值建立预测对象与预测变量之间的非线性关系，这种非线性映射关系并没有一个具体的函数关系式，而是以激活函数与连接权值的方式隐性表示。本文在变量选择的基础上，构建了基于Lasso方法和BP神经网络的预测模型，并对我国城乡居民的消费支出进行预测。
三、建模与实证分析
（一） 变量的选取
根据经济学理论及已有的研究结论，我们共选取了影响居民消费支出（ ）的16个变量。具体如下：居民可支配收入（ ）、GDP增长率（ ）、通货膨胀水平（ ）、第一产业总产值（ ）、第三产业总产值（ ）、年度固定资产投资额（ ）、利率（ ）、人口数量（ ）、少年抚养比（ ）、教育情况（ ）、社会保障支出（ ）、就业人数（ ）、收入分配差距（ ）、消费习惯（ ）、公路里程数（ ）和邮电业务量（ ）。建模时我们用消费者价格指数（CPI）表示通货膨胀水平，用高等学校在校生人数表示教育情况，以基尼系数表示收入分别差距，以上一期的居民消费支出表示消费习惯。我们预期收入分配差距对居民消费支出有负向影响，利率的影响方向难以确定，而其它变量都有正向影响。
（二） 数据的来源和预处理
本文选取的数据区间是1981-2013年，其中少年抚养比数据来自《中国人口统计年鉴》，利率数据来自中国人民银行网站，其它变量的数据来自1981-2013年各期的《中国统计年鉴》。
利率水平以央行规定的一年期利率为准，若一年有多个利率值，则进行加权平均，权重为该利率实行的月份占12个月的比例。为了消除各变量之间的量纲的影响，且比较容易得到平稳序列，需要对部分数据进行对数处理。除 、 、 、 外，我们把其他变量的时序数据取自然对数，建立如下的线性模型：
进行实证分析前需要对数据进行中心标准化处理。
（三） 实证分析
考虑到城乡居民之间消费支出的差异性，我们分别建立城镇居民和农村居民的消费支出模型：
1. 基于Lasso的城镇居民消费支出模型
只需要31步就可以得到全部的Lasso解，当参数 时，变量全部进入模型.我们根据AIC准则选择最优Lasso解，在10步时，AIC值最小，从而模型最优，最终选取了 、 、 、 、 、 、 7个变量。下表列出了Lasso回归的前10步结果：
表1 Lasso回归的参数估计及变量选择（城镇）
系数 1 2 3 4 5 6 7 8 9 10
0 0 0.3278 0.3302 0.6580 0.5686 0.5693 0.5698 0.5687 0.5617
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0.1074 0.1082 0.1201 0.1104 0.1072 0.1087
0 0 0 0.0459 0.0173 0.0112 0.0670 0 0 0
0 0 0 0 0 0.1057 0.1082 0.1263 0.1397 0.2312
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0.0032 0.0064 0.0014
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0.0045 0.0022 0.0021 0.0021
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0.0624
0 0 0 0 0 0 0 0 0 0
0 0.2167 0.3564 0.3593 0.3118 0.3108 0.2063 0.2093 0.2158 0.2535
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
AIC 23.4 2.5993 1.0882 0.0517 0.0352 0.0274 0.0237 0.0169 0.0161 0.0157
从表1可以看出：所选出的7个变量对城镇居民消费支出都有正向影响，可支配收入是影响城镇居民消费的最重要因素，然后依次是居民的消费习惯、第三产业总产值、通货膨胀水平、就业人数、少年抚养比以及利率等因素，而其他因素对城镇居民消费支出的影响不显著，未被选入模型中，相应的预测模型为：
在此基础上，对我国城乡居民2006-2013年的消费支出进行预测，预测结果如表2.
表2 基于Lasso的城镇居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 60789.49 60687.87 -101.62 0.1672
2007 72126.93 72305.42 178.49 0.2475
2008 83993.15 84077.41 84. 26 0.1003
2009 94579.29 94238.71 -340. 58 0.3601
2010 108784.05 108341.66 -442. 39 0.4066
2011 129987.04 129834.66 -152. 38 0.1172
2012 148113.39 147468.09 -645. 34 0.4357
2013 167278.14 166819.76 -458. 38 0.2740
2. 基于Lasso的农村居民消费支出模型
在农村居民消费支出模型中，同样只需要31步就可以得到全部的Lasso解.在9步时，AIC值最小，从而模型最优，最终选取了 、 、 、 、 、 6个变量，表2列出了Lasso回归的前9步结果：
表3 Lasso回归的参数估计及变量选择（农村）
系数 1 2 3 4 5 6 7 8 9
0 0.2338 0.3385 0.3452 0.3458 0.3503 0.3428 0.3882 0.3892
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0.0514 0.0364 0.0562 0.0584
0 0 0 0.0548 0.0541 0.0438 0.0236 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 -0.0017 -0.0023 -0.0026
0 0 0 0 0 0 0 0 0
0 0 0 0 0 -0.0003 -0.0003 -0.0002 -0.0002
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0.0687 0.0874
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0.1047 0.1174 0.1421 0.1814 0.2348 0.2731 0.3023
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
AIC 31.4985 2.9125 2.6743 0.0902 0.0518 0.0357 0.0318 0.0251 0.0192
从表3可以看出：可支配收入也是影响农村居民消费的最重要因素，但其影响程度不及城镇居民，这主要是因为农村居民收入低，消费观念比较保守，而且所处的消费环境也在一定程度上制约了农村居民的消费；排在第二位的仍然是居民的消费习惯，但其影响程度要大于城镇居民，究其原因，农村居民已习惯于“勤俭节约”的生活方式，而城镇居民在消费中很容易受到所谓的“面子心理”、“从众心理”的影响。然后依次是社会保障支出、通货膨胀水平、利率及少年抚养比等因素. 前4个变量对农村居民消费支出有正向影响，利率与少年抚养比对农村居民消费支出有负向影响，而其他因素对农村居民消费支出的影响不显著，未被选入模型中，相应的模型为：
在此基础上，对我国城乡居民2006-2012年的消费支出进行预测，预测结果如表4.
表4 基于Lasso的农村居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 21785.96 21725.51 -60. 45 0.2775
2007 24205.56 24347.96 142. 94 0.5883
2008 27677.26 27579.71 -97. 55 0.3525
2009 29005.33 28918.50 -86. 83 0.2994
2010 31974.60 32113. 36 138.76 0.4340
2011 38969.59 38859.11 -110. 48 0.2835 2012 42310.38 42072.11 -238. 27 0.5631
2013 46647.81 46478.32 169. 49 0.3634
3. 基于BP神经网络的居民消费支出模型
选取三层BP神经网络模型，分别是输入层、隐含层和输出层，输入变量为历年的居民消费支出数据。输入层神经元选取5个，隐含层神经元数的选取范围是3-12个，输出层神经元为1个。 把1981-2005年的居民消费支出数据作为训练样本，并对数据进行归一化处理。设定网络训练的次数为10000，目标误差为0.00001，同时在3-12的范围内不断调整隐含层的节点数，反复训练网络，当隐含层节点数为7时，城镇居民消费支出预测模型的误差达到最小；当隐含层节点数为9时，农村居民消费支出预测模型的误差达到最小。在此基础上用滚动预测法对2006-2013年的居民消费支出进行预测，结果如下：
表5 基于BP神经网络的城镇居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 60789.49 60662.92 -126.57 0.2082
2007 72126.93 71832.55 -294.38 0.4081
2008 83993.15 83900.74 -92.41 0.1100
2009 94579.29 93994.51 -584.78 0.6183
2010 108784.05 107970.47 -813.58 0.7479
2011 129987.04 129871.35 -115.69 0.0890
2012 148113.39 147344.96 -768.43 0.5188
2013 167278.14 167735.40 457.26 0.2734
城镇居民消费支出的预测值都比真实值小，8个测试样本中，只有2008年的绝对误差在100亿元以下，2010年的绝对误差达到最大值813.58亿元；2006、2007、2008、2011、2013年的相对误差都在0.5% 以下，2009、2010、2012年的相对误差在0.5%-1%的范围内。一般来说，5% 以内的相对误差都是可以通过检验的，因此，基于单变量的BP神经网络城镇居民消费支出预测模型可通过检验。
表6 基于BP神经网络的农村居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 21785.96 21721.18 -64.78 0.2973
2007 24205.56 24046.73 -158.83 0.6562
2008 27677.26 27556.84 -120.42 0.4351
2009 29005.33 28917.37 -87.96 0.3033
2010 31974.60 31762.52 -212.08 0.6633
2011 38969.59 38827.22 -142.37 0.3653
2012 42310.38 41975.76 -334.62 0.7909
2013 46647.81 46906.50 258.69 0.5546
从表6可以看出，农村居民消费支出的预测值也普遍存在低估的现象；2006、2009年的绝对误差在100亿元以下，其他6年的绝对误差都超过100亿元； 2006、2008、2009、2011年的相对误差处在0.5%以内，其他年份的相对误差都处在0.5%-1%的范围内，该预测模型可通过检验。
4. 基于Lasso和BP神经网络的居民消费支出模型
将前面基于Lasso方法所选择的变量作为BP神经网络的输入变量，输出变量分别为城镇居民消费支出和农村居民消费支出，仍然把1981-2005年的居民消费支出作为训练样本，其他的是测试样本。城镇居民消费支出的组合预测模型有7个输入变量，隐含层神经元数的选取范围是3-15个，农村居民消费支出的组合预测模型有6个输入变量，隐含层神经元数的选取范围是3-13个。设定网络训练的次数为10000，目标误差为0.00001，通过调整隐含层的节点数，反复训练网络。当隐含层节点数为10时，城镇居民消费支出预测模型的误差达到最小；当隐含层节点数为12时，农村居民消费支出预测模型的误差达到最小。
表7 城镇居民消费支出的组合预测结果
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 60789.49 60750.29 -39. 2 0.0645
2007 72126.93 72111. 56 -15. 37 0.0213
2008 83993.15 84011. 60 18. 45 0.0220
2009 94579.29 94660.05 80.76 0.0854
2010 108784.05 108711.67 -72. 38 0.0665
2011 129987.04 130060. 58 73. 54 0.0566
2012 148113.39 148055.71 -57.68 0.0389
2013 167278.14 167352.67 74. 530 0.0446
从表7可以看出，2006、2007、2010、2012年的预测值小于真实值，其他3年的预测值均大于真实值。2007年的绝对误差为最小值15.37亿元，其他年份的绝对误差都在100亿元以内；2007、2008、2012、2013年的相对误差都在0.05%之下，其他预测样本的相对误差均在0.05%-0.1%的范围内。 表8 农村居民消费支出的组合预测结果
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 21785.96 21776. 55 -9.41 0.0432
2007 24205.56 24188. 32 -17. 24 0.0712
2008 27677.26 27690. 41 13. 15 0.0475
2009 29005.33 28990. 47 -14. 86 0.0512
2010 31974.60 31964. 33 -10. 27 0.0321
2011 38969.59 38941. 22 -28. 37 0.0728
2012 42310.38 42287. 74 -22. 64 0.0535
2013 46647. 81 46678. 06 30. 25 0.0648
从表8可以看出，仅2008、2013年的预测值高于真实值，其他预测样本的预测值均小于真实值，说明预测值普遍存在低估的现象。2006的绝对误差处在10亿元之下，其他样本的绝对误差处在10-35亿元的范围内；2006、2008、2010年的相对误差在0.05%之下，其他年份的相对误差处在0.05%-0.1%的范围内。
经过上述反复尝试得到的网络具有较强的泛化能力，预测误差比较小，因此，可以使用基于Lasso和BP神经网络的组合预测方法来对我国城乡居民未来的消费支出进行预测，其中各因子的数值由二次指数平滑法进行预测，结果如下：
表9 2014-2020年城乡居民消费支出预测
时间 城镇 农村
预测值（亿元） 增长率（%） 预测值（亿元） 增长率（%）
2014 189225. 03 13. 12 51709. 95 10. 78
2015 214675. 76 13. 45 57149. 84 10. 52
2016 243163. 24 13. 27 63242. 02 10. 66
2017 274993. 30 13. 09 70129. 07 10. 89
2018 310384. 94 12. 87 77927. 42 11. 12
2019 349214. 10 12. 51 86686. 47 11. 24
2020 391608. 69 12. 14 96551. 39 11. 38
上述预测结果表明：在今后几年，我国农村居民消费增长率会逐年提升，城镇居民消费增长率减缓，城乡居民消费增长率之间的差距呈下降趋势，但是短期内城乡居民消费差距依然难以缓和。
四、结论与政策建议
1. 结论
本文分别用Lasso方法、BP神经网络方法以及基于Lasso和BP神经网络的组合预测方法对我国城乡居民的消费支出进行了预测.从预测结果可以看出，尽管城镇居民的消费水平要远高于农村居民，但三种预测方法的预测效果基本相同。另一方面，无论是城镇居民消费支出预测，还是农村居民消费支出预测，三种预测方法的相对误差都存在较大的差异。组合预测方法的平均相对误差最小，Lasso方法的平均相对误差次之，BP神经网络预测方法的平均相对误差最大；从预测的稳健性来看，组合预测方法最稳健，Lasso方法次之，BP神经网络预测方法最不稳健，预测误差呈现出相对偏低或偏高的现象。整体而言，Lasso方法和BP神经网络方法的预测效果比较接近，而组合预测方法的预测效果要大大优于两种单一的预测方法。
可支配收入是影响城乡居民消费支出的最重要因素，居民消费习惯的影响程度次之，但可支配收入对城镇居民消费支出的影响更大，而消费习惯对农村居民消费支出的影响要大一些。除此之外，影响城镇居民消费支出的主要因素还有第三产业总产值、通货膨胀水平、就业人数、少年抚养比以及利率等，影响农村居民消费支出的主要因素还有社会保障支出、通货膨胀水平、利率及少年抚养比等。影响城镇居民消费支出的7个主要因素都有正向影响，而在影响农村居民消费支出的6个主要因素中，利率与少年抚养比有负向影响，其他因素有正向影响。
2. 政策建议
从居民消费支出的预测结果来看，我国农村居民的消费需求严重不足，基本上属于生存型消费，而城镇居民的消费也处于较低的水平。提高居民消费，尤其是农村居民消费，是促进经济发展的重要途径。为此，我们提出如下政策建议：
（1）着力提高城乡居民的收入水平
一是实施积极的就业政策：强化公共就业服务平台建设，加强公共就业培训机构和实训基地建设；建立鼓励高校毕业生到基层就业的各项扶持补贴政策。二是完善创业帮扶机制，扶持居民自主创业；加大创业项目推介力度，帮助城乡创业者寻找合适的创业项目，加快形成全方位、多层次、宽领域的创业格局。三是健全与经济社会发展水平相适应的工资增长机制。四是通过对农村富余劳动力进行实用上岗技术培训，实现农村富余劳动力向非农产业的转移，扩大农民收入来源。
（2）逐步转变居民的传统消费观念
积极引导城乡居民在消费观念上破旧立新，将潜在需求变为现实需求；着力改进商业银行的消费信贷服务，进一步扩大消费信贷的范围和资金，尤其是推广以住房、汽车等高档耐用消费品为主的信贷形式，提倡收入稳定的消费者适度负债和超前消费。
（3）健全社会保障体系
只有在住房、医疗、教育、养老等方面没有思想压力时，人们才会放心消费，舒心生活。一是要以新的医疗体制改革为契机，切实减轻城乡居民、特别是困难群众的医疗负担；二是在免费义务教育的基础上，公平分配教育资源，减少普通居民家庭在子女教育上额外的教育消费支出；三是要加快推进廉租房、保障性住房的建设，解决好中低收入家庭的住房问题；此外，要多渠道增加贫困群众的保障性收入，以基本养老、基本医疗、城乡低保为重点，加快推进覆盖城乡居民的社会保障体系。 （4）调整产业结构
在新的历史条件下，调整产业结构，积极培育新的消费热点，适时推进居民消费结构的升级换代，对促进消费，扩大内需，拉动经济增长有着不可低估的作用[15]。为此，一是大力提供绿色商品和绿色服务，挖掘绿色消费潜力；二是促进通讯、文化、旅游等领域的消费，在改善物质生活的同时，充实精神生活，美化生活环境，提高生活质量。
参考文献
[1] 李文星，徐长生.中国人口结构变动对农村居民消费的影响研究[J]. 中国人口科学，
2008， 7（3）： 29—37.
[2] 张靖.山西省“十二五”时期城乡居民消费预测模型研究[J].区域发展，2013，3（14）：62-65
[3] 乔娜.基于ARIMA模型对我国居民消费支出的预测[J].现代经济，2009， 8（7）：43-45
[4] 肖剑兰，张运东.基于ARIMA模型的消费支出建模与预测[J].经济研究， 2010（10）：170-171
[5] 严健标，李强.基于ARIMA模型的我国农村居民消费水平预测分析[J].安徽农业科学，2011，39（14）： 8754-8756.
[6] 张正球，陈娅. 基于BP神经网络的我国煤炭消费和碳排放量预测[J].湖南大学学报（社会科学版），2015，29（1）：
[7] 刘培路.辽宁农村居民消费支出的灰色预测及其因素分析[J].辽宁石油化工大学学报，2011，31（1）：79-83
[8] 达瓦.西藏农村居民消费支出发展趋势的GM（1，1）预测模型及因素分析[J].统计研究，2010，27（4）：79-82
[9] 沈莲军.灰色GM（1，1）模型在南京居民消费预测中的应用[J].价值工程，2008（2），244-245
[10] 郝君妮. 山西省农村居民消费结构的分析与预测[J].决策借鉴，2013（6）：55-66
[11] 刘子玉.吉林省农村居民消费问题研究[D]：[吉林大学博士学位论文].长春：吉林大学，2010，145-172
[12] 马玉琪.我国农村居民消费支出的预测分析[J].产业与科技论坛，2012，11（7）： 99-100
[13] Tibshirani，R.Regression Shrinkage and Selection Via the Lasso[J].Journal of the Royal Statistical Society，1996（58）：267-288
[14] Efron，B.， Hastie，T.， Johnstone，I. and Tibshirani，R. Least Angle Regression[J]. Ann.Statist.，2004（32）：407-499
[15] 杜焱. 经济增长的需求动力结构调整研究述评[J].湖南大学学报（社会科学版），2014，28（1）：
关键词： 消费；Lasso方法；BP神经网络；预测
中图分类号：F069
The Study on Prediction of Residents Consumption Expenditure
based on Lasso and BP Neural Network
YU Sheng-hua， ZHANG Jing
（ School of Economics and Trade， Hunan University， Changsha， Hunan 410079 ）
Abstract： On the basis of variable selection， created a multivariate prediction model based on the combination of Lasso method and BP neural network ，and prediction of China's urban and rural residents consumption expenditure. The prediction results showed that：the combination of Lasso method and BP neural network prediction accuracy is higher than that of the BP neural network，the Lasso method，the results also showed that in 2014-2020 years， the growth rate of rural residents consumption has improved，the consumption of urban residents increased slowly， the gap between urban and rural consumption rate showed a downward trend，but the gap between urban and rural consumption is still difficult to ease in the short term.
Key words： consumption； Lasso method； BP neural network； prediction
一、引言及文献综述
近年来，欧美经济复苏乏力，影响世界经济的各种不确定因素有增无减。我国进出口总额的增长速度不如预期，且存在进一步下行的压力，表明世界经济放缓已对我国外贸产生较大的影响，净出口对我国经济增长的拉动已显得力不从心，目前，中国经济主要靠投资和消费拉动，但如果投资规模过大，又会引致结构调整不力、产能过剩和重复建设等问题。为应对极其严峻的国内外经济形势，党和政府多次强调要着力扩大内需，特别是居民消费需求。与世界其他一些国家相比，我国居民的最终消费率仍偏低，属于典型的高储蓄、低消费的国家。发达国家消费对经济增长的贡献率已达70%-80%，国内才30%-40%。从1980年至2013年，最终消费对GDP的贡献率和拉动率分别由71.8%、5.6个百分点下降到50%、3.85个百分点。在当前及今后一段时间，扩大国内消费需求已成为拉动经济增长、保持国民经济持续健康协调发展的重要途径和必然选择。因此，深入探讨影响我国居民消费的主要因素并对未来的消费支出进行预测仍然具有十分重要的现实意义。
针对居民消费支出，常用的预测方法有回归预测法、 时间序列预测法、BP神经网络预测法以及灰色预测法等。李文星等[1]基于1952-2004年的宏观经济数据，利用回归方法分析了中国居民消费和人口自然增长率之间的关系，预测结果表明，人口自然增长率在未来对中国居民消费影响有限。张靖[2]建立了影响山西居民消费水平因素的线性模型，并对山西省城乡居民2012-2015年的消费水平进行了预测；乔娜[3]利用ARIMA模型对我国未来的居民消费额进行了短期预测。肖剑兰等[4]， 严健标等[5]分别用1997-2007年消费支出的年度时间序列数据和1952-2008年我国农村居民消费水平的相关数据建立了ARIMA模型，他们的研究表明：ARIMA模型在短期预测中具有较高的预测精度。张正球等[6]用BP神经网络方法预测了我国2014—2020年的煤炭消费量和碳排放量。灰色预测法是一种根据因素之间发展态势的相似或者相异程度来衡量因素间关联程度的预测方法。刘培路[7]以2001-2009年辽宁省农村居民人均消费为研究对象，通过建立灰色GM（1，1）模型预测了2010-2014年辽宁省农村人均消费支出。达瓦[8]以西藏农村居民人均生活消费支出作为研究对象，建立了灰色模型，对西藏农村居民未来消费支出的年均增长率做出了预测。沈莲军[9]，郝君妮[10]也分别以南京市、山西省居民的历年消费支出为依据，建立灰色预测模型，对其未来居民消费水平进行预测。
组合预测法在经济预测方面也得到了广泛的应用，刘子玉[11]根据吉林省1994-2007年农村居民消费需求量和消费结构中的各因素与居民收入的数据，分别应用回归预测法、灰色预测法和神经网络预测法对吉林省农村居民消费水平和消费结构的发展趋势进行预测，在此基础上再利用权重计算方法构建组合预测模型。马玉琪[12]分别应用二次指数平滑法和灰色预测法对我国“十二五”期间农村居民消费支出进行预测，再以一定的权重将它们综合作为最终预测结果。从信息利用的角度来说， 任何单一预测方法都只利用了部分有用信息， 而且信息利用的程度也是不同的， 组合两种或两种以上的预测方法， 可以弥补单一预测方法在某些方面的不足之处。 二、Lasso与BP神经网络方法
设有线性回归模型：
（1）
其中 为常数项， 为回归系数， 是随机扰动项。
设 ， 是变量的 组观测值，不妨假定数据已经中心标准化，记 ， 则模型（1）中未知参数 与 的Lasso估计[13]定义为：
，使得 （2）
这里 是惩罚参数. 令 表示 的最小二乘估计， . 当 时，（2）式中的最优解即为 ，而当 时，（2）式中的部分最优解可能会等于0，而相应的变量则会从模型中删除，从而达到变量选择的目的。由于数据已中心标准化，所以，对任意的 ，（2）式中 的解恒为 .即（2）式等介于
，使得 （3）
（3）式的最优解称为Lasso解，通过改变 值可得到所有Lasso解，这时，我们可用 准则、赤池信息准则（AIC）或贝叶斯信息准则（BIC）等选择最佳模型，Lasso方法在选择变量的同时也实现了对未知参数的估计，该方法能较好地解决模型中存在的多重共线性问题，尤其适合处理高维数据。
若用二次规划方法求解（3）式，则计算量很大，直到Efron，B等[14]提出最小角回归算法才有效地解决了Lasso方法的计算问题。
Lasso方法本质上还是线性回归方法，它不适合处理非线性问题，而神经网络方法可以弥补Lasso方法在这方面的不足之处。
BP神经网络是一种有隐含层的多层前馈网络，层与层之间的神经元采用全互联的方式并通过相应的权系数 连接，但每层内的神经元之间没有联系，由于其具有很强的非线性映射能力和柔性的网络结构而受到众多领域的应用工作者的重视。
BP神经网络的学习过程分为正向传播和反向传播两个阶段，在正向传播阶段，隐含层把输入层的原始信息向前传播到输出层，并输出相应的信息。在通常情况下，网络的实际输出值与期望输出值之间会存在较大的差异，第二阶段（反向传播阶段），如果在输出层没有得到期望的输出值结果，即网络的实际输出与期望输出之间存在误差，这时，要通过反向传播把误差反馈给网络，并通过调节层与层之间各神经元的连接权值使误差达到最小，在BP神经网络中，一般通过梯度下降算法来调整权值。与Lasso方法不同，BP神经网络可基于历史数据并通过自动调整网络的连接权值建立预测对象与预测变量之间的非线性关系，这种非线性映射关系并没有一个具体的函数关系式，而是以激活函数与连接权值的方式隐性表示。本文在变量选择的基础上，构建了基于Lasso方法和BP神经网络的预测模型，并对我国城乡居民的消费支出进行预测。
三、建模与实证分析
（一） 变量的选取
根据经济学理论及已有的研究结论，我们共选取了影响居民消费支出（ ）的16个变量。具体如下：居民可支配收入（ ）、GDP增长率（ ）、通货膨胀水平（ ）、第一产业总产值（ ）、第三产业总产值（ ）、年度固定资产投资额（ ）、利率（ ）、人口数量（ ）、少年抚养比（ ）、教育情况（ ）、社会保障支出（ ）、就业人数（ ）、收入分配差距（ ）、消费习惯（ ）、公路里程数（ ）和邮电业务量（ ）。建模时我们用消费者价格指数（CPI）表示通货膨胀水平，用高等学校在校生人数表示教育情况，以基尼系数表示收入分别差距，以上一期的居民消费支出表示消费习惯。我们预期收入分配差距对居民消费支出有负向影响，利率的影响方向难以确定，而其它变量都有正向影响。
（二） 数据的来源和预处理
本文选取的数据区间是1981-2013年，其中少年抚养比数据来自《中国人口统计年鉴》，利率数据来自中国人民银行网站，其它变量的数据来自1981-2013年各期的《中国统计年鉴》。
利率水平以央行规定的一年期利率为准，若一年有多个利率值，则进行加权平均，权重为该利率实行的月份占12个月的比例。为了消除各变量之间的量纲的影响，且比较容易得到平稳序列，需要对部分数据进行对数处理。除 、 、 、 外，我们把其他变量的时序数据取自然对数，建立如下的线性模型：
进行实证分析前需要对数据进行中心标准化处理。
（三） 实证分析
考虑到城乡居民之间消费支出的差异性，我们分别建立城镇居民和农村居民的消费支出模型：
1. 基于Lasso的城镇居民消费支出模型
只需要31步就可以得到全部的Lasso解，当参数 时，变量全部进入模型.我们根据AIC准则选择最优Lasso解，在10步时，AIC值最小，从而模型最优，最终选取了 、 、 、 、 、 、 7个变量。下表列出了Lasso回归的前10步结果：
表1 Lasso回归的参数估计及变量选择（城镇）
系数 1 2 3 4 5 6 7 8 9 10
0 0 0.3278 0.3302 0.6580 0.5686 0.5693 0.5698 0.5687 0.5617
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0.1074 0.1082 0.1201 0.1104 0.1072 0.1087
0 0 0 0.0459 0.0173 0.0112 0.0670 0 0 0
0 0 0 0 0 0.1057 0.1082 0.1263 0.1397 0.2312
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0.0032 0.0064 0.0014
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0.0045 0.0022 0.0021 0.0021
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0.0624
0 0 0 0 0 0 0 0 0 0
0 0.2167 0.3564 0.3593 0.3118 0.3108 0.2063 0.2093 0.2158 0.2535
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
AIC 23.4 2.5993 1.0882 0.0517 0.0352 0.0274 0.0237 0.0169 0.0161 0.0157
从表1可以看出：所选出的7个变量对城镇居民消费支出都有正向影响，可支配收入是影响城镇居民消费的最重要因素，然后依次是居民的消费习惯、第三产业总产值、通货膨胀水平、就业人数、少年抚养比以及利率等因素，而其他因素对城镇居民消费支出的影响不显著，未被选入模型中，相应的预测模型为：
在此基础上，对我国城乡居民2006-2013年的消费支出进行预测，预测结果如表2.
表2 基于Lasso的城镇居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 60789.49 60687.87 -101.62 0.1672
2007 72126.93 72305.42 178.49 0.2475
2008 83993.15 84077.41 84. 26 0.1003
2009 94579.29 94238.71 -340. 58 0.3601
2010 108784.05 108341.66 -442. 39 0.4066
2011 129987.04 129834.66 -152. 38 0.1172
2012 148113.39 147468.09 -645. 34 0.4357
2013 167278.14 166819.76 -458. 38 0.2740
2. 基于Lasso的农村居民消费支出模型
在农村居民消费支出模型中，同样只需要31步就可以得到全部的Lasso解.在9步时，AIC值最小，从而模型最优，最终选取了 、 、 、 、 、 6个变量，表2列出了Lasso回归的前9步结果：
表3 Lasso回归的参数估计及变量选择（农村）
系数 1 2 3 4 5 6 7 8 9
0 0.2338 0.3385 0.3452 0.3458 0.3503 0.3428 0.3882 0.3892
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0.0514 0.0364 0.0562 0.0584
0 0 0 0.0548 0.0541 0.0438 0.0236 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 -0.0017 -0.0023 -0.0026
0 0 0 0 0 0 0 0 0
0 0 0 0 0 -0.0003 -0.0003 -0.0002 -0.0002
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0.0687 0.0874
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0.1047 0.1174 0.1421 0.1814 0.2348 0.2731 0.3023
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
AIC 31.4985 2.9125 2.6743 0.0902 0.0518 0.0357 0.0318 0.0251 0.0192
从表3可以看出：可支配收入也是影响农村居民消费的最重要因素，但其影响程度不及城镇居民，这主要是因为农村居民收入低，消费观念比较保守，而且所处的消费环境也在一定程度上制约了农村居民的消费；排在第二位的仍然是居民的消费习惯，但其影响程度要大于城镇居民，究其原因，农村居民已习惯于“勤俭节约”的生活方式，而城镇居民在消费中很容易受到所谓的“面子心理”、“从众心理”的影响。然后依次是社会保障支出、通货膨胀水平、利率及少年抚养比等因素. 前4个变量对农村居民消费支出有正向影响，利率与少年抚养比对农村居民消费支出有负向影响，而其他因素对农村居民消费支出的影响不显著，未被选入模型中，相应的模型为：
在此基础上，对我国城乡居民2006-2012年的消费支出进行预测，预测结果如表4.
表4 基于Lasso的农村居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 21785.96 21725.51 -60. 45 0.2775
2007 24205.56 24347.96 142. 94 0.5883
2008 27677.26 27579.71 -97. 55 0.3525
2009 29005.33 28918.50 -86. 83 0.2994
2010 31974.60 32113. 36 138.76 0.4340
2011 38969.59 38859.11 -110. 48 0.2835 2012 42310.38 42072.11 -238. 27 0.5631
2013 46647.81 46478.32 169. 49 0.3634
3. 基于BP神经网络的居民消费支出模型
选取三层BP神经网络模型，分别是输入层、隐含层和输出层，输入变量为历年的居民消费支出数据。输入层神经元选取5个，隐含层神经元数的选取范围是3-12个，输出层神经元为1个。 把1981-2005年的居民消费支出数据作为训练样本，并对数据进行归一化处理。设定网络训练的次数为10000，目标误差为0.00001，同时在3-12的范围内不断调整隐含层的节点数，反复训练网络，当隐含层节点数为7时，城镇居民消费支出预测模型的误差达到最小；当隐含层节点数为9时，农村居民消费支出预测模型的误差达到最小。在此基础上用滚动预测法对2006-2013年的居民消费支出进行预测，结果如下：
表5 基于BP神经网络的城镇居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 60789.49 60662.92 -126.57 0.2082
2007 72126.93 71832.55 -294.38 0.4081
2008 83993.15 83900.74 -92.41 0.1100
2009 94579.29 93994.51 -584.78 0.6183
2010 108784.05 107970.47 -813.58 0.7479
2011 129987.04 129871.35 -115.69 0.0890
2012 148113.39 147344.96 -768.43 0.5188
2013 167278.14 167735.40 457.26 0.2734
城镇居民消费支出的预测值都比真实值小，8个测试样本中，只有2008年的绝对误差在100亿元以下，2010年的绝对误差达到最大值813.58亿元；2006、2007、2008、2011、2013年的相对误差都在0.5% 以下，2009、2010、2012年的相对误差在0.5%-1%的范围内。一般来说，5% 以内的相对误差都是可以通过检验的，因此，基于单变量的BP神经网络城镇居民消费支出预测模型可通过检验。
表6 基于BP神经网络的农村居民消费支出预测
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 21785.96 21721.18 -64.78 0.2973
2007 24205.56 24046.73 -158.83 0.6562
2008 27677.26 27556.84 -120.42 0.4351
2009 29005.33 28917.37 -87.96 0.3033
2010 31974.60 31762.52 -212.08 0.6633
2011 38969.59 38827.22 -142.37 0.3653
2012 42310.38 41975.76 -334.62 0.7909
2013 46647.81 46906.50 258.69 0.5546
从表6可以看出，农村居民消费支出的预测值也普遍存在低估的现象；2006、2009年的绝对误差在100亿元以下，其他6年的绝对误差都超过100亿元； 2006、2008、2009、2011年的相对误差处在0.5%以内，其他年份的相对误差都处在0.5%-1%的范围内，该预测模型可通过检验。
4. 基于Lasso和BP神经网络的居民消费支出模型
将前面基于Lasso方法所选择的变量作为BP神经网络的输入变量，输出变量分别为城镇居民消费支出和农村居民消费支出，仍然把1981-2005年的居民消费支出作为训练样本，其他的是测试样本。城镇居民消费支出的组合预测模型有7个输入变量，隐含层神经元数的选取范围是3-15个，农村居民消费支出的组合预测模型有6个输入变量，隐含层神经元数的选取范围是3-13个。设定网络训练的次数为10000，目标误差为0.00001，通过调整隐含层的节点数，反复训练网络。当隐含层节点数为10时，城镇居民消费支出预测模型的误差达到最小；当隐含层节点数为12时，农村居民消费支出预测模型的误差达到最小。
表7 城镇居民消费支出的组合预测结果
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 60789.49 60750.29 -39. 2 0.0645
2007 72126.93 72111. 56 -15. 37 0.0213
2008 83993.15 84011. 60 18. 45 0.0220
2009 94579.29 94660.05 80.76 0.0854
2010 108784.05 108711.67 -72. 38 0.0665
2011 129987.04 130060. 58 73. 54 0.0566
2012 148113.39 148055.71 -57.68 0.0389
2013 167278.14 167352.67 74. 530 0.0446
从表7可以看出，2006、2007、2010、2012年的预测值小于真实值，其他3年的预测值均大于真实值。2007年的绝对误差为最小值15.37亿元，其他年份的绝对误差都在100亿元以内；2007、2008、2012、2013年的相对误差都在0.05%之下，其他预测样本的相对误差均在0.05%-0.1%的范围内。 表8 农村居民消费支出的组合预测结果
年份 真实值（亿元） 预测值（亿元） 绝对误差（亿元） 相对误差（%）
2006 21785.96 21776. 55 -9.41 0.0432
2007 24205.56 24188. 32 -17. 24 0.0712
2008 27677.26 27690. 41 13. 15 0.0475
2009 29005.33 28990. 47 -14. 86 0.0512
2010 31974.60 31964. 33 -10. 27 0.0321
2011 38969.59 38941. 22 -28. 37 0.0728
2012 42310.38 42287. 74 -22. 64 0.0535
2013 46647. 81 46678. 06 30. 25 0.0648
从表8可以看出，仅2008、2013年的预测值高于真实值，其他预测样本的预测值均小于真实值，说明预测值普遍存在低估的现象。2006的绝对误差处在10亿元之下，其他样本的绝对误差处在10-35亿元的范围内；2006、2008、2010年的相对误差在0.05%之下，其他年份的相对误差处在0.05%-0.1%的范围内。
经过上述反复尝试得到的网络具有较强的泛化能力，预测误差比较小，因此，可以使用基于Lasso和BP神经网络的组合预测方法来对我国城乡居民未来的消费支出进行预测，其中各因子的数值由二次指数平滑法进行预测，结果如下：
表9 2014-2020年城乡居民消费支出预测
时间 城镇 农村
预测值（亿元） 增长率（%） 预测值（亿元） 增长率（%）
2014 189225. 03 13. 12 51709. 95 10. 78
2015 214675. 76 13. 45 57149. 84 10. 52
2016 243163. 24 13. 27 63242. 02 10. 66
2017 274993. 30 13. 09 70129. 07 10. 89
2018 310384. 94 12. 87 77927. 42 11. 12
2019 349214. 10 12. 51 86686. 47 11. 24
2020 391608. 69 12. 14 96551. 39 11. 38
上述预测结果表明：在今后几年，我国农村居民消费增长率会逐年提升，城镇居民消费增长率减缓，城乡居民消费增长率之间的差距呈下降趋势，但是短期内城乡居民消费差距依然难以缓和。
四、结论与政策建议
1. 结论
本文分别用Lasso方法、BP神经网络方法以及基于Lasso和BP神经网络的组合预测方法对我国城乡居民的消费支出进行了预测.从预测结果可以看出，尽管城镇居民的消费水平要远高于农村居民，但三种预测方法的预测效果基本相同。另一方面，无论是城镇居民消费支出预测，还是农村居民消费支出预测，三种预测方法的相对误差都存在较大的差异。组合预测方法的平均相对误差最小，Lasso方法的平均相对误差次之，BP神经网络预测方法的平均相对误差最大；从预测的稳健性来看，组合预测方法最稳健，Lasso方法次之，BP神经网络预测方法最不稳健，预测误差呈现出相对偏低或偏高的现象。整体而言，Lasso方法和BP神经网络方法的预测效果比较接近，而组合预测方法的预测效果要大大优于两种单一的预测方法。
可支配收入是影响城乡居民消费支出的最重要因素，居民消费习惯的影响程度次之，但可支配收入对城镇居民消费支出的影响更大，而消费习惯对农村居民消费支出的影响要大一些。除此之外，影响城镇居民消费支出的主要因素还有第三产业总产值、通货膨胀水平、就业人数、少年抚养比以及利率等，影响农村居民消费支出的主要因素还有社会保障支出、通货膨胀水平、利率及少年抚养比等。影响城镇居民消费支出的7个主要因素都有正向影响，而在影响农村居民消费支出的6个主要因素中，利率与少年抚养比有负向影响，其他因素有正向影响。
2. 政策建议
从居民消费支出的预测结果来看，我国农村居民的消费需求严重不足，基本上属于生存型消费，而城镇居民的消费也处于较低的水平。提高居民消费，尤其是农村居民消费，是促进经济发展的重要途径。为此，我们提出如下政策建议：
（1）着力提高城乡居民的收入水平
一是实施积极的就业政策：强化公共就业服务平台建设，加强公共就业培训机构和实训基地建设；建立鼓励高校毕业生到基层就业的各项扶持补贴政策。二是完善创业帮扶机制，扶持居民自主创业；加大创业项目推介力度，帮助城乡创业者寻找合适的创业项目，加快形成全方位、多层次、宽领域的创业格局。三是健全与经济社会发展水平相适应的工资增长机制。四是通过对农村富余劳动力进行实用上岗技术培训，实现农村富余劳动力向非农产业的转移，扩大农民收入来源。
（2）逐步转变居民的传统消费观念
积极引导城乡居民在消费观念上破旧立新，将潜在需求变为现实需求；着力改进商业银行的消费信贷服务，进一步扩大消费信贷的范围和资金，尤其是推广以住房、汽车等高档耐用消费品为主的信贷形式，提倡收入稳定的消费者适度负债和超前消费。
（3）健全社会保障体系
只有在住房、医疗、教育、养老等方面没有思想压力时，人们才会放心消费，舒心生活。一是要以新的医疗体制改革为契机，切实减轻城乡居民、特别是困难群众的医疗负担；二是在免费义务教育的基础上，公平分配教育资源，减少普通居民家庭在子女教育上额外的教育消费支出；三是要加快推进廉租房、保障性住房的建设，解决好中低收入家庭的住房问题；此外，要多渠道增加贫困群众的保障性收入，以基本养老、基本医疗、城乡低保为重点，加快推进覆盖城乡居民的社会保障体系。 （4）调整产业结构
在新的历史条件下，调整产业结构，积极培育新的消费热点，适时推进居民消费结构的升级换代，对促进消费，扩大内需，拉动经济增长有着不可低估的作用[15]。为此，一是大力提供绿色商品和绿色服务，挖掘绿色消费潜力；二是促进通讯、文化、旅游等领域的消费，在改善物质生活的同时，充实精神生活，美化生活环境，提高生活质量。
参考文献
[1] 李文星，徐长生.中国人口结构变动对农村居民消费的影响研究[J]. 中国人口科学，
2008， 7（3）： 29—37.
[2] 张靖.山西省“十二五”时期城乡居民消费预测模型研究[J].区域发展，2013，3（14）：62-65
[3] 乔娜.基于ARIMA模型对我国居民消费支出的预测[J].现代经济，2009， 8（7）：43-45
[4] 肖剑兰，张运东.基于ARIMA模型的消费支出建模与预测[J].经济研究， 2010（10）：170-171
[5] 严健标，李强.基于ARIMA模型的我国农村居民消费水平预测分析[J].安徽农业科学，2011，39（14）： 8754-8756.
[6] 张正球，陈娅. 基于BP神经网络的我国煤炭消费和碳排放量预测[J].湖南大学学报（社会科学版），2015，29（1）：
[7] 刘培路.辽宁农村居民消费支出的灰色预测及其因素分析[J].辽宁石油化工大学学报，2011，31（1）：79-83
[8] 达瓦.西藏农村居民消费支出发展趋势的GM（1，1）预测模型及因素分析[J].统计研究，2010，27（4）：79-82
[9] 沈莲军.灰色GM（1，1）模型在南京居民消费预测中的应用[J].价值工程，2008（2），244-245
[10] 郝君妮. 山西省农村居民消费结构的分析与预测[J].决策借鉴，2013（6）：55-66
[11] 刘子玉.吉林省农村居民消费问题研究[D]：[吉林大学博士学位论文].长春：吉林大学，2010，145-172
[12] 马玉琪.我国农村居民消费支出的预测分析[J].产业与科技论坛，2012，11（7）： 99-100
[13] Tibshirani，R.Regression Shrinkage and Selection Via the Lasso[J].Journal of the Royal Statistical Society，1996（58）：267-288
[14] Efron，B.， Hastie，T.， Johnstone，I. and Tibshirani，R. Least Angle Regression[J]. Ann.Statist.，2004（32）：407-499
[15] 杜焱. 经济增长的需求动力结构调整研究述评[J].湖南大学学报（社会科学版），2014，28（1）：