利用机器学习和卫星数据预测经济增长（英）

本文研究了在缺乏可靠经济数据的情况下，如何利用机器学习和卫星数据估算真实GDP，并以委内瑞拉为例进行实证分析。由于委内瑞拉官方自2019年第一季度起不再发布真实GDP数据，且经济结构单一依赖石油，导致传统经济分析方法难以有效进行。为此，本文尝试结合卫星数据（夜间灯光、植被指数和二氧化氮排放数据）和宏观经济数据（石油产量、工业产能利用率、信贷、货币总量等），利用随机森林模型和动态因子模型进行GDP增长预测。

研究结果表明，将卫星数据纳入随机森林模型能够显著提高GDP增长预测的准确性，其中夜间灯光数据的重要性尤为突出。与动态因子模型相比，随机森林模型在预测精度上表现更优，这主要得益于其能够捕捉变量之间的非线性关系和相互作用。具体而言，随机森林模型的RMSE比动态因子模型降低了32.85%，而加入卫星数据后，RMSE进一步降低了13.85%。

本文的研究结论表明，机器学习和卫星数据在数据匮乏的经济体中具有巨大的应用潜力，能够有效弥补传统经济数据的不足，提高经济预测的准确性，为政策制定提供有力支持。然而，需要注意的是，卫星数据也存在一定的局限性，例如可能受到石油燃烧等因素的影响，因此需要结合其他信息进行综合分析。此外，由于卫星数据更新频率有限，其应用也受到一定程度的限制。