车辆注册量作为西班牙商业周期的先行指标：机器学习与经典预测方法

《Economies》：Vehicle Registrations as a Leading Indicator of the Spanish Business Cycle: Machine Learning and Classical Forecasting Approaches

　　

及时识别商业周期转折点对于政策制定者、企业和投资者至关重要，然而传统宏观经济指标往往存在相当大的发布延迟。本研究考察车辆注册量是否构成西班牙经济的有效先行经济指标（Leading Economic Indicator, LEI），并提出一个整合商业周期分析、月度预测和日度即时预测的综合框架。研究人员采用Christiano–Fitzgerald带通滤波器、互相关分析和Bry–Boschan转折点识别算法分析注册量的周期性特征。通过滚动起点交叉验证（rolling-origin cross-validation）比较TBATS和Prophet模型的月度预测性能，同时开发了一种新颖的机器学习启发式分布模型（Distribution Model, MD），用于将月度预测转化为日度估计。研究结果表明，乘用车注册量可提前三至五个月预示工业生产变化，其百分之九十自助法置信区间为一至六个月。TBATS在单步超前预测中始终优于Prophet。样本外检验证实，滞后注册量在不依赖双边滤波的情况下降低了工业生产的预测误差，尽管改善幅度有限且对季度GDP不成立。所提出的MD-shallow模型达到了最高的分布精度，超越了Prophet和持久性基准模型。研究发现表明，车辆注册量是一种有价值的独立先行经济指标，将传统经济指标与先进预测技术相结合可改善汽车需求和商业周期动态的实时监测。所提出的框架为政策制定者、制造商和研究人员提供了实用工具，以更早、更可靠地评估经济活动。

**车辆注册量作为西班牙商业周期的先行指标：机器学习与经典预测方法——论文解读**

**一、研究背景与问题**

准确预判商业周期转折点始终是宏观经济学面临的核心挑战之一。政府、中央银行、企业和投资者高度依赖及时的经济信息来支撑政策决策、投资规划和风险管理。然而，国内生产总值（Gross Domestic Product, GDP）、工业生产和就业等传统宏观经济指标在发布上存在显著延迟，且经常被修订，这极大地限制了决策者获取实时经济状况的能力。为应对这一信息滞后问题，先行经济指标（Leading Economic Indicator, LEI）应运而生，其核心价值在于能够在经济扩张或衰退正式显现于官方统计之前提供早期信号。在众多候选指标中，乘用车注册量因其独特的属性而备受关注：车辆购置作为家庭和企业最大型的可自由支配支出之一，对消费者信心、预期收入、融资条件等变化高度敏感，且购买决策可灵活推迟或提前，因此注册量往往先于产出和就业做出反应。尽管经合组织（Organisation for Economic Co-operation and Development, OECD）的 composite 先行指标已纳入车辆注册量这一成分，但将车辆注册量作为独立先行指标进行系统考察的研究仍相对匮乏。与此同时，大数据和机器学习的迅猛发展为经济预测开辟了新路径，但将传统先行指标与现代预测技术有机整合的研究尚不多见。在此背景下，本研究旨在回答三个紧密关联的问题：第一，车辆注册量是否包含关于西班牙商业周期的稳健先行信息；第二，在存在显著结构性断点的序列中，具有变点检测机制的Prophet模型是否优于多季节性状态空间模型TBATS；第三，能否开发一种新的机器学习启发式分布模型，将月度预测转化为日度即时预测，以实现更精细的实时经济监测。

**二、研究内容与核心发现**

为回答上述问题，研究人员构建了一个多尺度综合实证框架，涵盖商业周期分析、月度预测和日度即时预测三个相互嵌套的分析模块。研究首先利用Christiano–Fitzgerald带通滤波器从季节调整后的对数序列中提取偏差周期（growth cycle）成分，通过互相关分析确定注册量与参考周期之间的领先位移；其次采用Bry–Boschan算法（Harding–Pagan版本）识别转折点，与西班牙经济协会商业周期定年委员会的官方年表进行比对验证；随后通过滚动起点交叉验证（rolling-origin cross-validation）系统比较TBATS与Prophet在月度预测上的表现；最后创新性地提出分布模型（Distribution Model, MD），将月度总量按工作日分布分解至日度，实现月内实时监测。研究得出以下核心结论：乘用车注册量可提前约三至五个月预示西班牙工业生产的变化，该领先关系在多种稳健性检验下保持成立；TBATS在单步超前预测中显著优于Prophet，拒绝了关于变点机制能够自动带来预测优势的初始假设；MD-shallow模型在日度分布精度上表现最优，而增加模型复杂度的神经网络变体MD-deep并未带来样本外改进，反而因过拟合而性能下降。

**三、主要技术方法**

研究采用的主要技术方法包括：其一，Christiano–Fitzgerald带通滤波器，在18–96个月（1.5–8年）频带上提取偏差周期成分；其二，Bry–Boschan转折点定年算法（Harding–Pagan版本），用于识别经典周期和增长周期的峰谷位置；其三，TBATS模型（含Box–Cox变换、傅里叶季节性项和ARMA误差修正的状态空间模型）与Prophet模型（含分段线性趋势和自动变点检测的可分解模型）的滚动起点交叉验证比较；其四，新提出的分布模型（MD），采用逻辑回归结构结合历史同期权重，通过分类交叉熵（categorical cross-entropy）目标函数和L-BFGS-B优化算法进行校准，将月度总量分解至日度。数据来源方面，周期分析使用OECD/FRED乘用车注册量序列（1990M01–2023M12），月度预测使用西班牙交通总局（Dirección General de Tráfico, DGT）2021–2025年车辆注册数据，参考周期采用西班牙国家统计研究所（Instituto Nacional de Estadística, INE）的工业生产指数（IPI）和季度GDP。

**四、研究结果**

**4.1 结果一：周期信号与先行指标属性**

互相关分析显示，注册量与IPI偏差周期的互相关函数在负滞后处达到峰值，在COVID-19前样本上，注册量领先工业生产约三个月（峰值相关系数0.69，n=324）。通过移动块自助法（moving-block bootstrap）量化峰位不确定性后发现，领先月数的众数为四个月，百分之九十置信区间覆盖一至六个月。转折点定年结果与西班牙经济协会的官方年表一致，但受季度频率限制，无法提供更精细的领先长度估计。预白化互相关分析表明，领先关系是周期频率上的属性而非高频冲击的同步现象。

**4.2 结果二：月度预测比较**

在DGT近期面板（2021–2025，36个单步预测）上，TBATS在所有评价指标上均优于Prophet（MAPE 7.1%对9.4%，MASE 0.67对0.87），但Diebold–Mariano检验在36个样本点上未达显著水平（p=0.09–0.18）。在长OECD序列（1990–2023，384个单步预测）上，TBATS的优势达到统计显著（DM*=6.3，p≈7×10?1?，平方损失；DM*=8.8，p≈7×10?1?，绝对损失），且TBATS优于季节朴素基准（MASE 0.61）而Prophet未能超越（MASE 1.02）。假设H2被拒绝：变点机制在单步超前预测水平上并未带来预期的性能优势。

**4.3 结果三：月内分布与即时预测**

在168个月度-年度对（2012–2025）的样本外验证中，使用车辆融资代理序列作为日度注册量的替代指标，MD-shallow模型取得了最低的平均交叉熵（CE=2.98）和KL散度（KL=0.10），显著优于Prophet隐含的日度分布（3.05/0.17）、MD-deep（3.07/0.18）和持久性基准（3.29/0.41）。MD-shallow在168个月份中的154个月（92%）优于持久性基准。假设H3被拒绝：增加隐藏层的神经网络变体并未改善样本外分布精度，反而因过拟合而性能下降。值得注意的是，比例Denton基准在此问题设定下与持久性基准完全一致，这一退化现象揭示了月内分配问题不能简单等同于核算式分解问题。

**4.4 结果四：样本外预测价值**

在剔除COVID-19时期的评估窗口下，三个月预测水平上，加入滞后注册量使工业生产的均方预测误差降低1.9%（Clark–West统计量2.023，单侧p=0.022），确认了非双边滤波条件下的真实预测价值。然而，增益幅度有限，且在季度GDP上未发现一致的预测改进。反向检验显示可预测性具有双向性，但注册量方向的误差缩减幅度约为反向的五倍（1.9%对0.4%）。

**五、讨论与结论**

研究证实了车辆注册量作为西班牙商业周期独立先行指标的价值，其估计的三至五个月领先介于世界大型企业联合会（The Conference Board）西班牙领先经济指数的约三个月和OECD综合先行指标的六至九个月之间。研究的双重贡献在于：一是将车辆注册量从综合指标中分离出来，证明其本身即可构成稳健的独立先行经济指标；二是方法论上整合了商业周期分析、月度预测和日度即时预测于统一的多尺度框架中。研究局限包括仅聚焦西班牙、日度数据依赖代理序列、预测模型限于TBATS和Prophet、未纳入数字信息源等。未来研究可向跨国扩展、深度学习方法比较以及整合大数据混合指标等方向延伸。总体而言，该研究表明，将传统先行经济指标与现代预测技术相结合，能够显著提升对经济活动的实时监测能力，为政策制定者、制造商和研究人员提供了实用的分析工具。