什么平台论文查重免费下载 论文查重平台哪个好？
维普查重需要摘要 维普查重是什么？
论文查重系统软件 论文查重软件有哪些？
知网论文检测分段 知网论文查重原理是什么？
知网论文查重需要查后记吗 知网论文查重是查重摘要吗？
毕业论文查重了怎么办 毕业论文查重报告重复率高吗？
要旨：渔业是国民经济的重要基础之一，需要预测。本文使用时间序列ARIMA模型预测渔业总产值，并根据模型预测结果进行误差分析。考虑到通货膨胀对预测模型的影响，使用居民消费价格指数（CPI）进一步优化了模型。
还以江苏省的渔业总产值为例，将1
世界范围来看，海洋经济发展的重要趋势是人口、经济、产业不断集中在沿海地区。现在，全世界人口的60%以上和大中城市的70%左右位于沿海地区。这无疑是海洋经济越来越有魅力的重要体现。
在中国，海洋开发历史悠久，海洋经济在国民经济中的地位日益提高，海洋产业的增加值在全国GDP中的比重迅速上升，海洋产业对国民经济的贡献也越来越大。进入21世纪以来，随着中国经济发展和资源需求的增加，及时调整了海洋经济发展战略。2017年，我国海洋生产总值77611亿元，占国内生产总值的9.4%，是支撑经济增长的重要力量。
我国“十二五”规划明确提出“大力发展海洋经济”，“坚持海陆统一计划，制定和实施海洋发展战略，提高海洋开发控制综合管理能力”，标志着我国“海洋强国战略”的全面实施有。随着我国海洋经济的快速发展，有关海洋产业和海洋经济的研究领域也逐渐受到重视和发展。目前，我国海洋产业和海洋经济的研究主要集中在两个方面。
首先是理论方面，主要是对海洋渔业发展现状的分析、问题的探索和发展战略的设计等方面的研究。第二，在实证方面的研究主要集中在分析影响因素和综合力的评价上。对
整体海洋经济发展趋势的预测研究比较少。这极大地制约了海洋经济学科的发展目前国内海洋经济预测的定量方法主要包括趋势外推法、灰色系统法和增长曲线法。
趋势外推是长期趋势预测的主要方法，根据时间序列的发展趋势，将未来趋势值外推并预测为适当的曲线模型。灰色系统理论是研究灰色系统建模、控制模式、预测、决定、优化等问题的理论。基于
灰色理论的灰色模型主要是GM（1，1）灰色微分预测模型。如果原始时间序列隐含指数变化规则，则灰色模型GM（1，1）可以很好地预测。如果
灰度模型GM（1，1）用作短期预测，则通常可以获得高精度。作为长期预测使用时，由于经济系统运行波动较大，容易产生较大偏差。这极大地制约了海洋经济学科的发展
增长曲线是S型曲线，最初用于说明生物的成长，广泛用于生物学、系统分析、经济学及预测学等领域。产业的成长与生命体相似，因此也有成长、成熟、衰退等特征，经济预测反映了经济增长开始缓慢，之后增长加速，达到一定程度后，增长率逐渐减速，最终达到饱和状态的过程。
以上的模型可以用于预测海洋渔业的总产值，其本质是基于时间序列模型构建的。本文采用时间序列分析方法分析海洋渔业总产值变动趋势。然而，传统的时间序列预测方法由于时间序列突出，所以不考虑外部因素的影响，经常存在预测误差的缺陷，并且该误差的缺陷在经济现象中尤其显著。主要分析海洋渔业总产值变动趋势时，将货币价值视为固定不变，仅分析渔业总产值因时间变动而变化的情况。实际上，货币价值每年实际价值都不一样。如果不考虑这个部分而直接构建海洋渔业总产值的预测模型，最终的预测结果和实际值就会产生很大的误差。因此，本文通过探究同时期消费者物价指数动态变化的特征，打破了传统的时间序列模型的构建界限，结合时间和居民消费价格波动指数这两个主要影响因素，最终误差较小，更准确的海洋渔业构建产量预测模型。1数学模型1.1模型的选择，本论文主要说明基于时间序列的分析，分析预测我国短期渔业的总产值。
小时序列是将某个现象的统计指标在不同时间按时间顺序排列的。时间序列分析是根据过去的变化趋势来预测未来的发展，其前提是假设事物的过去会持续到未来[5]。对于我国每年海洋渔业总产值的历史数据来说，可以构成时间序列，利用历史数据的变化趋势来预测未来的渔业总产值。由于
具有不同的时间序列的特征，所以需要使用不同的时间序列预测方法[6]。ARIMA模型是处理具有潮流、季节性等的模型类[6]的时序预测方法之一。
考虑到渔业总产值呈趋势，是受季节因素影响的指标，本文采用ARIMA模型分析我国海洋渔业的总产值，得出其规律性，预测未来值。1.2时间序列模型ARIMA模型都被称为自回归积分滑动平均模型，是指在将非平稳时间序列转换为稳定时间序列之后，通过变量仅使其滞后值和随机误差项的当前值和滞后值回归而构造的模型。
基于原始序列是否稳定，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）和ARIMA过程。这里，AR是自回归，p是自回归项，MA是移动平均项，q是移动平均项数，d是时间序列稳定时进行的差分次数。1.时间序列模型图1是确定时间序列模型的流程图[5,8-9，11-13]。如果
个模型有效，就可以构建这个模型。首先通过数据绘制点图，观察数据是否稳定，不稳定时进行差分处理，有效差分后稳定后可以构建ARIMA模型。然后，通过模型识别p、d、q，估计、验证模型的参数，并检查残差项白噪声。
这个模型完成了。渔业总产值数据考虑到CPI（居民消费价格指数）的影响，通过历史CPI数据优化初等模式[18]。根据上述ARIMA模型，t期间的预测值Xt受到BrXt（0卡的平方平均值大于α＝0.05，该模型的残差项被认为是白噪声。因此，ARIMA（0，2，0）模型对于年渔业总生产数据的二次差分序列是适当的[18,21-23]。2.3模型预测基于上述所得模型，利用SASforecast文预测2015～2018年江苏省海洋渔业的生产总额，预测结果如表7所示。
的预测表明，采用ARIMA（0，2，0）模型的预测在某一年的预测值和实际值之间存在较大的误差。因此，本文考虑到国内通货膨胀的影响，通过上述模式结合我国CPI的变动来修改模式。2.4为了优化模型，更好地分析居民消费价格指数和年渔业总生产模式的关系，同样选择了1