大数据经济分析范文

一、引言

工业经济运行监测是工业经济管理部门的重要工作职责，在当前复杂的国际经济背景下，更好地对规模庞大的分布式工业经济数据资源进行及时高效的分析，具有重要的现实意义。本文从基于数据仓库的信息系统集成方案入手，通过对工业经济信息分析和信息服务业务流程、异构数据源的集成以及现有工业经济信息系统的分析，提出了一种基于数据仓库的可以有效实现信息融合的工业经济信息分析系统方案，可以极大地提高工业经济运行监测人员的经济分析工作效率，及时高效地为各级政府决策人员提供工业经济生产、效益、投资、物价等维度的统计分析和监测预测信息服务。随着电子政务信息化的不断发展，数据仓库成为工业经济管理部门支撑工业经济管理决策的一个重要平台。建立基于数据仓库的工业经济运行监测信息系统可以实现对各种工业经济信息系统异构数据源的融合，优化工业经济分析流程，改进和加强工业经济监测预测技术手段，提高工业经济运行监测工作效率，为工业经济管理部门的日常经济分析业务提供决策支撑，为工业经济运行数据采集、数据抽取、数据分析、数据建模、联机分析和数据挖掘和共享提供平台，为工业经济分析人员查询数据和分析决策提供支持和保障。数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，它通过对来自不同的数据源进行统一处理及管理，通过灵活的展现方法用于支持管理决策。数据仓库通过星型模型和雪花型模型组织数据，通过反映历史变化的数据对工业经济的发展历程和未来趋势做出定量分析和预测。实现对各行业、各地区和重点企业工业生产、效益、投资、进出口、原材料价格等主题数据的实时监测，利用多维数据建模和分析工具，多层次和多维度的对工业经济数据进行分析和数据挖掘，及时高效的反映行业、地区等维度的工业经济运行情况和发展趋势，为工业经济管理部门政策决策提供全面、及时、准确的信息。

二、信息系统需求分析

工业经济数据具有数据量大，指标种类多，业务应用系统多和应用需求差异大等特点，所以工业经济运行数据必须进行合理的数据规划和整合，实现工业经济运行数据的统一管理和数据集中。

1.数据接口功能。信息系统应建立在现有信息系统的基础上，所以信息系统应能与工业经济管理部门现有经济信息系统进行数据交互，直接将现有信息系统需要的数据导出或者将本系统需要的数据通过标准接口导入。对于不同数据存储方式的异构信息系统，信息系统的数据仓库和数据接口应能提供异构数据源支持，实现对不同来源、不同类型的数据的采集、抽取、转换、装载，进行智能化导入、整合和集成，形成统一的数据仓库，对数据按照主题进行分类管理，为各种工业经济分析应用提供数据来源。

2.数据查询和报表定制功能。信息系统应提供灵活的查询方式，用户可查询任意表中的任意指标，并可以生成报表进行指标的查看、对比与排序。信息系统应能建立灵活的工业经济运行数据统计分析方法和分析模型，多角度多层次的对采集的数据进行分析挖掘，生成用户需要的分析报表和统计分析图型，生成工业经济管理部门需要监测分析的指标数据报表。包括趋势分析，历史数据查询，对异常数据预警等内容。

3.元数据管理功能。信息系统应具有灵活的数据模型，通过元数据管理确定从数据接口中要获取的数据信息。元数据是定义数据的数据，记录数据从业务系统到数据仓库的整个过程，并记录数据仓库使用过程的相关信息。元数据管理用于构建系统需要访问的数据模型，同时创建数据仓库的逻辑数据结构，确定从数据接口中要获取的数据信息。

4.数据分析功能。信息系统要具有灵活的数据分析功能，可以实现指标数据的趋势分析，行业或地区占总体数据的比重分析，各类工业经济指标的环比、同比、差异分析、对比分析、增长率分析和排名分析等。

三、信息系统架构设计

工业经济运行监测信息系统设计需要具有良好的统计分析支持，具有良好的扩展性，完善的数据质量保证机制。国家工业经济管理部门按日、旬、月度、季度、年度从重点调度企业、行业协会、国家统计局、海关总署、省级工业经济管理部门等部门获得工业经济运行数据，经济分析人员需要对当期经济的主要经济指标进行趋势分析和变化分析。基于数据仓库的工业经济运行监测信息系统的架构如图1所示。基于数据仓库的工业经济运行监测信息系统首先对存储在各类传统数据库和业务系统中的历史数据根据来源的不同和格式的不同，使用不同的数据收取和转换方法，对经过一致性校验和清理后的数据装载到工业经济数据仓库中。元数据管理用于构建系统需要访问的数据模型，同时创建数据仓库的逻辑数据结构，确定从数据接口中要获取的数据信息。为了解决灵活性和性能之间的矛盾，数据仓库体系结构中增加了工业经济数据集市，数据集市存储为特定用户预先计算好的数据，从而满足用户对性能的需求，是针对特定用户或者特定主题的小型数据仓库。系统采用信息挖掘技术，集成客户端特殊的环境，实现用户信息需求、信息偏好进行信息的甄别、归纳、总结，过滤出用户最感兴趣的信息，并自动生成用户偏好数据保存到相应的数据集市中，用于后续数据分析。信息系统能够自动对数据仓库中的数据根据相应的主题进行数据模型的计算，并按照专家系统的相关指标的预警阀值对经济运行数据作出相应的分析和判断，从而使使用者全面地了解和掌握工业经济运行情况。信息系统应该能够满足工业经济分析人员所需维度的数据导入、报表制作、数据定制、数据查询、数据处理和数据分析需求。数据仓库根据各种工业经济分析主题的需要，将来自各数据库的信息进行集成，并对它进行重新组织和提取，通过综合和分析得到辅助决策的信息。信息系统提供用于完成工业经济运行监测所需要的各种分析工具，如查询检索工具、复杂报表工具、多维数据OLAP分析工具、数据挖掘DM工具等。系统还可以基于服务总线中的WEB、CORBA、COM、SOA等技术实现数据、报告、图表关联展现和关联推荐功能，自动形成数据分析文字报告功能和数据预测等功能。

四、数据模型分析

信息系统的采用的数据模型是多维数据模型，包括星型模型和雪花模型两种。星型模型通过使用一个包含主题的事实表和多个与事实表通过外界关联的、包含事实的非正规化描述的维度表。工业经济运行数据在事实表中维护，维度数据在维度表中维护。每一个维度表通过一个关键字直接与事实表关联。维度是数据的分类信息，例如时间、地区、行业、产品等等。雪花模型是星型模型的一种扩展形式，维度表分解成与事实表直接关联的主维度表和与主维度表关联从而又与事实表间接关联的次维度表。与星型模式相比，雪花模式更易于扩展数据维度，但计算机处理时也更加复杂。以工业经济效益为主题的数据仓库数据星型模型和雪花模型如图2、图3所示。

五、工业经济数据立方体分析实例

联机分析处理（On-LineAnalysisProcessing，OLAP）技术使工业经济分析人员能够从多种角度对从原始数据中转化出来的能够真实反映工业经济特性的信息进行快速、一致、交互地存取。在数据建模过程中，用户90%以上的管理数据都可以通过结构化的形式进行展现，OLAP建立在海量数据基础上，形成逻辑数据模型（立方体或多维数据），展现则以二维或三维形式体现，对于不同的用户提供形式各异的视角，提供各种数据的如同比、环比、增长值等各个属性自动生成功能，并在数据表及图形中及时地进行展示。基于数据立方体的分析结构建立工业经济主要的三个分析维度，即行业、地区和时间。分析方式上支持数据钻取、切片、切块和数据变换。钻取即改变维度的层次，变换分析的粒度，包括向上钻取（RollUp）和向下钻取（DrillDown）。rollup是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；是指自动生成汇总行的分析方法。通过向导的方式，用户可以定义分析因素的汇总行，例如对于各地区各行业各年度的工业增加值状况，可以对地区与年度、行业与年度以及地区或者年度的数据进行汇总。而DrillDown则相反，它从汇总数据深入到细节数据进行观察或增加新的分析维度。例如，分析“各地区的出货值情况”时，可以对某一个地区的出货值细为各个年度的度的出口值，对某一年度的出口额，可以继续细分为各个季度的出口额。通过钻取的功能，使用户对数据能更深入了解，更容易发现问题，做出正确的决策。切片和切块是指将结果集数据按分组的形式进行显示的一种操作。切片就是单个分组进行显示，切块是多个分组进行显示。数据变换（也称数据旋转）就是将数据立方体CUBE查询的所有维划分为两组，两组分别作为表格的行和列显示数据。当数据立方体CUBE查询只涉及到两个维时情况最为简单，数据旋转实际就是以这两个维为行列的交叉表。旋转同时允许部分切片。在行业维度上支持各部门，各行业的汇总和明细数据的分析，地区维度上支持各区域(东中西部地区)各省份、各市县的分析；在时间维度上支持历史时期（年、季、月、旬、周、日）的分析。系统以要分析的工业经济指标为中心，以时期、行业和地区为维度，将主要指标、影响因素等按维度进行展开，在此过程中与增长变化情况相结合，当某项指标的历史同期增长率变化较大时，可以逐一向下层层分解，同时结合相关指标，找出影响的关键环节或因素。

大数据经济分析范文篇2

一、使用大数据构建宏观经济指标的必要性

对于宏观经济态势进行分析和研判，是制定宏观经济政策的基础。进行宏观经济态势分析需要使用GDP、CPI、PPI、PMI和就业指数等宏观经济指标数据。传统方法上，宏观经济指标数据通常采用基层采集、层层汇总的方式进行收集，成本高、时效性差、且存在人为干预空间，这些问题给宏观经济的决策带来了不确定性。随着信息技术的发展，互联网、物联网和大数据技术已经深入到了国民经济生产的方方面面，大量经济活动以大数据形式记录下来，使人们可以及时、精准、低成本、高颗粒度了解一个行业、一个领域乃至整个国家的经济活动情况，丰富的数据资源为使用大数据方法构建宏观经济指标创造了可能。推动建立基于大数据的宏观经济指标具有重要作用，一是立足重要的政府数据资源，可以实现更丰富更准确更及时的经济政策调控；二是非传统经济指标对传统经济形成有益补充，成为新兴经济的指路标；三是充分利用数字经济平台，对数字经济行为进行微观感知和精准捕获，及时评估经济政策的影响。

二、使用大数据构建宏观经济指标的可行性

当前，数字经济已成为中国经济增长的新引擎，2019年中国数字经济规模为31.3万亿元，占GDP比重达34.8%，电子商务、在线搜索等互联网平台与传统经济活动的耦合度不断提升，经济活动的频率与节奏不断加快。这种背景下，传统的统计调查数据和宏观经济指标已经难以跟上经济活动的变化节奏，无法全面反映宏观经济的全貌；电商平台、搜索平台、社交媒体以及政务信息系统汇聚了海量的社会经济活动行为大数据，这些数据从微观层面将社会经济活动的各种细节记录下来，具有粒度细、精度高、更新频率快等特点，为经济活动分析提供了新的素材。此外，高性能计算、人工智能、数据挖掘技术等新型处理方法的发展，为深度分析海量的经济数据提供了有力工具，这些都为使用大数据方法构建更快、更准、更灵活的宏观经济指标创造了可能。

国际上，美国、欧洲、日本等多个国家和地区的中央银行和商业公司均已开始使用大数据手段构建实时高频宏观经济指标。如，美联储费城分行成立经济实时数据研究中心，很多实时的宏观经济指标，如GDPplus、经济周期指数等。意大利央行和欧洲经济政策研究中心共同成立“EuroCoin”项目，构建实时反映欧元区经济状况的月度经济指标，提供比季度GDP更加高频的统计指标。英国的数据服务商IHSMarkit公司提供全球多个国家的GDP增长率的实时监测结果。

大数据宏观经济指标也是学术界的前沿探索方向。麻省理工学院的“十亿价格项目”（BPP）收集近60个国家的网上交易数据，根据商品的价格不断变化来进行通胀指数的计算，衡量22个国家的日、周通胀指数，用于实时监测物价走势。芬兰阿尔托大学成立实时经济Real-timeEconomy项目，目前该项目正在拓展到欧洲多个国家，旨在推动各行各业（包括公共部门和私人部门）的数据融合，提供各类实时经济指标。清华大学经济研究所的iCPI项目，通过爬取线上购物数据，使用数据挖掘的方法编制高频物价指数，日、周和月度统计结果。

在互联网领域，谷歌应用搜索指数预测失业率、旅行目的地、消费者信心等，该方法此后被多国学者借鉴，用于实时预测GDP、CPI、失业率、房价等宏观经济指标。阿里、百度、360、微博等互联网平台企业也都推出了基于自身数据的趋势指数，作为政府和企业掌握社会动态和经济发展趋势的工具。

综上，大数据宏观经济分析已经成为国际上学术界和工业界的重要发展方向，使用大数据构建宏观经济指标的条件在我国已经日趋成熟。

三、使用大数据构建宏观经济指标的优越性

（一）拓宽了信息获得的广度和深度

统计抽样只是为了在技术受限的特定时期，解决当时存在的特定问题而产生的，样本数据具有随机性，且存在人为干预空间。大数据时代，得到的数据可能就是总体本身，例如，就物价而言，每一笔在电子商务网站成交的交易信息都有记录。大数据带来宏观经济分析的方法论变革，随着信息量的极大扩展和信息处理能力的提高，经济分析可能从样本统计时代走向全数据时代。海量数据的出现推动了数据分析工具的进步，人工智能、数据挖掘、机器学习等新技术手段被引入至经济分析领域，用于对全量数据进行分析，扩展了传统统计分析模型对宏观经济分析的深度，并且大大提高宏观经济分析的准确性和可信度。

（二）提高了信息获得的速度和时效

传统经济分析使用的数据往往采用人工收集，时效性差，如统计局公布的GDP往往是1个月的滞后期，反映全面经济社会状况的统计年鉴的滞后期会达到3个月以上，不利于及时了解宏观经济形势并制定经济政策。基于大数据构建的宏观经济指标，其使用线上实时信息，能够反映当前经济活动的现时状态，为更快预估宏观经济提供了可能。例如，MIT的BPP价格指数在雷曼兄弟破产后三天即监测到美国实体经济出现通缩（传统计算结果于三个月后才）。2022年春节后，受新冠肺炎疫情影响，线下消费场景大量关闭，导致传统的CPI指数难以及时反映物价变化，而清华大学构建的iCPI指数使用线上数据进行物价监测，在3月1日就及时了1、2月份的物价指数。iCPI的及时对引导人们正确认识当前经济形势，稳定中国经济发展预期发挥了重要作用。

（三）提高了经济统计的表达维度

传统的宏观经济指标具有固定的分析模式，如常用的经济指标有GDP、CPI、PPI、失业率等，个体之间的差异均被抹平在统计信息的平均数据之中，随机采样不适合考察子类型情况，难以表达个性化、多维度的经济动态，不利于决策层对地区、行业或某一群体进行精准施策。政府需要更好地解决某些时候依赖平均值的指标所掩盖了的具體发展趋势问题。例如，如果当成全国性的问题去处理失业问题是不科学的。就业趋势随着种族、地域、性别及教育程度而差别很大。依托互联网数据构建的宏观经济指标，摆脱了传统经济研究集中在国家总量数据、行业总体数据等非细化数据的局限，可以开展微观层面更加具体的经济研究，例如，阿里平台汇聚了10万余种具体商品的交易数据，可以分析高端商品消费、个性消费、判断消费升级情况、重点产品消费情况，监测重点城市的消费发展情况，进而分析消费活跃指数、国际贸易情况等。

（四）增强了应用场景的适应性

传统的调查数据须根据预定的问题进行收集，在严格的统计抽样规范下形成。而大数据是用户使用过程中自动被记录下来，不需人工调查和搜集，用于经济分析的数据是通过算法等技术手段提取出来加以整理获得，能够根据场景的需求迅速进行变化。如，基于移动终端位置定位数据、遥感数据、社交媒体数据、搜索引擎数据、电商交易数据开展旅游、价格、人口、就业、需求侧、市场行情、消费等方面的分析和预测。

四、使用大数据构建宏观经济指标的实现路径

使用大数据构建宏观经济指标，主要有三种实现路径。一是使用互联网开放数据构建经济指标，二是使用数字经济平台数据构建经济指标，三是使用传统经济治理部门（行业）统计数据构建经济指标。

（一）基于互联网开放数据的宏观经济指标

使用互联网大数据构建宏观经济指标主要采用爬虫技术从互联网商业平台上获取公开数据，通过一定的数据分析构建宏观经济指标。以清华大学iCPI编制为例，首先选定一篮子商品代表物价总水平（iCPI商品篮子类别总体上和国家统计局CPI保持一致，商品和服务篮子共分8个大类、46个中类、262个子类），采价主要从天猫、京东、苏宁易购、亚马逊等大型B2C在线购物平台，选取这些平台上质量合格、销售量大、比较稳定的商家。价格采集通过程序自动完成，在指定时间、指定网站、指定位置自动采集所需要的数据。然后，算出固定篮子里的代表规格品价格水平的变化率，得到相应的指数。这种方法使得在线价格指数的实时更新成为可能。与此同理，可以利用互联网招聘数据构建就业指数等。

（二）使用数字经济平台数据构建宏观经济指标

数字经济平台数据主要是指电子商务、搜索引擎、社交媒体等平台企业，根据其数据特性，构建具有行业代表性的指标数据。如阿里依托其电商交易和查询数据，推出了网购核心商品价格指数、消费者信心指数、小企业活跃指数等具有宏观经济属性的统计指数。充分利用电子商务数据构建一系列指数，分析区域电商经济发展趋势、国内外消费趋势以及进出口贸易的状况。

（三）依托传统政府部门统计数据构建宏观经济指标

目前，在信息化建设过程中，各部门已经根据职能需要建设业务数据系统，如税务的金税系统、市场监管总局的法人信息库、海关的金关系统等，这些是与经济治理相关的国家政务信息基础数据资源，也是大数据的重要组成部分。各部门基于自身数据进行数据分析工作，满足其自身履职和决策支撑需要。汇聚此类数据及其分析成果，形成基于政务信息数据的宏观经济指标，也是使用大数据构建宏观经济指标的一条重要路径。例如，市场监管总局基于国家经济户籍库有关数据构建了“企业发展工商指数”以及“中小企业发展指数”等，基于国家信用、用工、社保、税收、海关等数据构建区域信用、人口变动指数、产业集聚（发展）、外贸等经济指标，这些均能作为经济先行指标。使用互联网开放数据的特点是覆盖面广、代表性强，局限性是技术获取难度大、维度受限。使用数字经济平台数据的特点使是获取难度低，局限性在于覆盖性和代表性不足，可能存在样本偏差。使用政务数据的优点是与宏观经济耦合度高，专项数据完备，适合宏观经济统计需求，局限性在于相对时间延迟大，对于微观经济行为的捕获性不强，部门存在“数据壁垒”。

五、使用大数据构建宏观经济指标的政策建议

（一）推动经济数据共享

国家层面推动对政府、企业、社会等方面经济大数据全面汇集，根本上提升政府决策对于全社会经济活动的感知能力。一是接入国家统计局、中国人民银行等的传统经济金融数据，宏观统筹行业龙头企业的数据，如电力、交通物流、支付清算数据。二是有针对性地收集政府经济相关部门的政务信息数据。三是接入电商、招聘、中介、搜索指数、舆情、工业互联网等动态高频的互联网大数据，感知经济发展的微观行为与高频动态。

（二）推动建立大数据宏观经济指标体系

围绕经济发展、物价水平、民生就业、国际环境等领域，使用网络搜索、社交媒体、电商平台、终端定位、电子支付、龙头行业及政务信息资源等大数据，探索构建高频宏观经济指标体系。通过系统论视角，挖掘多重经济要素之间的关联关系，构建经济发展与优化治理动态关联指标体系，使用计量统计、人工智能、数据挖掘等技术，建立具有经济预测预警、风险防控意义的经济治理指标体系，为优化经济治理提供全视角、系统化的决策支撑。

大数据经济分析范文

投入产出系数是进行投入产出分析的重要工具。投入产出系数包括直接消耗系数、完全消耗系数、感应度系数、影响力系数和各种诱发系数。（1）直接消耗系数直接消耗系数，记为aij（i，j＝1，2，…，n），是指在生产经营过程中第j产品（或产业）部门的单位总产出所直接消耗的第i产品部门货物或服务的价值量，将各产品（或产业）部门的直接消耗系数用表的形式表现就是直接消耗系数表或直接消耗系数矩阵。直接消耗系数是用第j产品（或产业）部门的总投入去除该产品部门（或产业）生产经营中所直接消耗的第i产品部门的货物或服务的价值量。直接消耗系数体现了列昂惕夫模型中生产结构的基本特征，它充分揭示了国民经济各部门之间的技术经济联系，即部门之间相互依存和相互制约关系的强弱，并为构造投入产出模型提供了重要的经济参数。直接消耗系数的取值范围在0≦aij＜1之间，aij越大，说明第j部门对第i部门的直接依赖性越强；aij越小，说明第j部门对第i部门的直接依赖性越弱；aij＝0则说明第j部门对第i部门没有直接的依赖关系。（2）直接分配系数直接分配系数是从产出角度分析产业之间直接技术经济联系的指标，是指某产品（或产业）部门分配给某一产业作为中间产品直接使用的价值占金融业产品总产出的比例。直接分配系数越大，说明该产品（或产业）部门对其它产业的直接供给推动作用越大，其它产业对金融业的需求就越大。支付数据作为国民经济中重要的交易体现，以其服务和产品为纽带与其它产业发生经济联系。利用消耗系数列分析上海市支付数据的后向关联效应，也称为需求拉动效应；用分配系数行分析前向关联效应，也称为供给推动效应，从而得出上海市支付数据与国民经济其它产业的关联效应。

二、支付业务与其它产业的关联分析

根据银监会的统计数据显示，截至2014年12月末，中国银行业金融机构境内外本外币资产总额达172万亿元，其中非现金支付业务为617亿元，占比0．0004％，2013年金融业总资产为150万亿元，非现金支付业务为550亿元，占比0．00038％，2012年金融业总资产为136万亿元，非现金支付业务为480亿元，占比0．00035％，可发现金融业总资产额同支付业务额大致成线性分布，其中支付业务大概占比万分之0．4左右。选取上海市2005年、2007年和2012年42部门支付产出表，以金融业资产总额的万分之0．4表示支付数据量，分析支付数据与国民经济其它部门间的关联关系。

（一）支付数据与其后向关联产业的关联分析支付数据的后向关联效应，即需求拉动效应，是指支付数据相关产业的发展需要消耗其它产业提供的生产要素、产品或服务，体现了支付数据对其它产业的依赖程度，通常用直接消耗系数来衡量。根据投入产出表，计算直接消耗系数矩阵中支付业务对其它产业的消耗系数列与该列合计值的比值，得出支付数据直接消耗系数结构比例，将其按照由大到小的顺序排列，然后将直接消耗系数结构比例进行累加，按照一个经验数字（取0．8），则认为后面的产业与支付数据关联作用不明显。分别对2002年、2007年和2012年上海市投入产出表的直接消耗系数表进行量化分析，结果显示支付业务与大部分产业的直接关联效应较高。2002年，与支付业务有直接后向关联关系的产业共有33个，后向关联密切的产业有9个，这些产业在支付业务直接消耗总量中的总消耗比例达61％。2007年投入产出表42部门中，与支付业务有直接后向关联关系的产业有35个，后向关联密切的产业有10个，这些产业在支付业务直接消耗总量中的总消耗比例达69％。2012年投入产出表42个部门中，与支付业务直接后向关联的产业共有35个，而后向关联密切的产业只有7个，这些产业在支付业务直接消耗总量中的总消耗比例达79％。从以上数据分析中可以看出，支付业务对后向关联密切的产业具有较强的依赖性，对这些产业的直接需求拉动效应相对较大。

（二）支付数据与各产业的前向关联分析前向关联效应，也称为供给推动效应，是指某产业的发展对直接或间接消耗其产品或服务的下游产业的影响。选取直接分配系数分析支付业务的前向关联效应，分配系数越大，说明产业之间的前向关联效应越大。对我国2002年、2007年和2012年的投入产出流量表进行直接分配系数的计算，选取与支付业务直接前向关联密切的产业方法与选择后向关联密切产业相同。2002年42个部门中与支付业务密切关联的产业有15个，其直接分配系数结构比例累加达70％，其中支付数据对商业、金融业、IT产业、房地产业等产业的供给较多。对2007年42部门的直接分配系数表进行分析，支付业务密切关联的产业有11个，占支付业务直接分配的74％。对上海市2012年42部门的直接分配系数表进行分析，42个产业均与支付业务有直接前向关联关系，其中与金融业密切关联的产业有11个，占支付业务直接分配的74％。总体上看，支付业务对这些产业的供给推动作用较强。

三、支付数据与区域经济的实证分析

选取上海市统计年鉴、支付体系发展报告数据，对大额支付数据、小额支付数据与区域经济发展进行实证分析。分析步骤如下：（1）对区域经济运行监控体系及相关数据进行主成分分析，缩减变量；（2）对区域经济运行数据和支付数据进行单位根检验，检验其是否为平稳序列；（3）对区域经济运行数据和支付数据进行协整分析，判断其相关性。

（一）区域经济运行监测主成分分析根据主成分分析法对区域经济运行监测指标进行主成分提取，得出2个主成分，如下表所示。2个主向量可分别总结归纳为投资和消费。

（二）经济运行数据与支付数据的协整分析1．单位根检验本文采用的是ADF（AugmentedDickeyFuller）单位根平稳性检验，检验的原假设为时间序列是非平稳的。ADF平稳性检验是基于模型。式中，k为最优滞后期。“若检验值在一定的置信水平下大于临界值，则拒绝原假设，即时间序列为平稳的，否则不拒绝原假设，时间序列是非平稳的”。采用Eview6．0对2010—2013年区域经济运行数据FACT和大额支付数据zfsj进行ADF单位根检验，分析数据的平稳性。发现原始数据经过1阶差分后，不含有单位根，即FACT和zfsj都是一阶单整的，可进行协整分析。2．协整检验通过区域经济运行指标和大额支付数据序列平稳性检验表明二者同为一阶单整，符合协整分析的前提，可以进行协整检验。单位根检验的结果显示，ut是I（0），即ut是平稳的，因此，接受zfsj与FACT是协整的假设。表明在5％的显著性水平下，区域运行指标和大额支付数据之间存在协整关系。

四、政策建议