本报告通过使用2010年至2019年Q4的个人收入时间序列数据,采用ARIMA模型预测2020年Q1至2023年Q2的无疫情个人收入趋势,并与实际疫情期间数据对比,量化COVID-19对美国13大工业部门个人收入的冲击。研究发现,公共事业、零售、金融、房地产和医疗等部门表现出较强的收入弹性和恢复力;农业和餐饮住宿业尽管初期冲击严重,但恢复过程较晚,对整体影响方差贡献最大。制造业、批发和教育等部门恢复中等,而建筑和政府部门恢复最缓慢。整体经济影响在2020年Q2达到最低点后显著好转,显示疫情期间各行业逐步适应并恢复增长
研究采用ARIMA模型针对2010 Q1至2019 Q4的13个主要工业部门个人收入数据拟合最优时间序列模型,用于预测疫情假设不存在时的个人收入趋势,再与疫情期间(2020 Q1-2023 Q2)实际收入进行对比,量化疫情影响 .
ARIMA模型结构及拟合:各行业模型类型从简单随机游走(如农业)到带季节性成分和漂移项的复合模型(如金融、教育),模型拟合评价指标BIC详见表2,确保模型个性化匹配行业数据特征 .
聚合经济冲击 (表3):疫情最初冲击导致2020 Q2个人收入差距达-1.42(实际-预测),随后逐步恢复,2020年底起转为正向影响,2021至2023年保持持续正增长,超过无疫情假设下的预期收入水平,显示强适应与恢复能力 .
产业层面弹性分类 (表4):
产业收入冲击趋势示意(图7、8、9)清晰展示各行业冲击深浅及恢复轨迹:
疫情初期冲击强度最大的是“餐饮住宿”和“农业”部门,跌幅分别超过-0.6和-0.3,金融和公共事业部门则出现正向偏离,显示韧性较强;建筑、医疗、运输等部门受影响中等 :
各行业对整体影响方差贡献分析(表5)显示农、餐饮住宿两个行业贡献占比超过86%,凸显其对经济波动的主导作用,其他行业影响相对均衡且较小 :
| 行业 | 影响方差 | 贡献率(%) |
|---|---|---|
| 农业 (FARM) | 0.05378 | 53.26 |
| 餐饮住宿 (ACCF) | 0.03359 | 33.26 |
| 公共事业 (UTL) | 0.00094 | 0.93 |
| 建筑 (CONS) | 0.00055 | 0.55 |
| 制造 (MAN) | 0.00099 | 0.98 |
| 批发 (WHO) | 0.00195 | 1.93 |
| 零售 (RET) | 0.00179 | 1.77 |
| 运输 (TRANS) | 0.00212 | 2.10 |
| 金融 (FIN) | 0.00041 | 0.41 |
| 房地产 (RE) | 0.00319 | 3.16 |
| 教育 (EDU) | 0.00051 | 0.50 |
| 医疗 (HEA) | 0.00106 | 1.05 |
| 政府 (GOV) | 0.00011 | 0.11 |
研究采用的时间序列分析和模型预测策略为定量评估重大系统性冲击对行业收入变化提供了有效工具,有助于未来制定更加针对性的政策干预和资源配置 .
报告标题:Variability in Aggregate Personal Income Across Industrial Sectors During COVID-19 Shock: A Time-Series Exploration
作者:Didarul Islam, Mohammad Abdullah Al Faisal
发布日期:2024年4月1日
研究对象:美国13个主要工业部门内个人收入(Personal Income, PI)在COVID-19大流行期间的波动性分析
本研究报告通过时间序列模型分析了美国13个产业部门在COVID-19疫情期间,个人收入(PI)的变动情况。作者基于2010年第1季度至2019年第4季度的个人收入数据,使用自动回归积分滑动平均模型(ARIMA)拟合疫情前的趋势,并据此预测2020年第1季度到2023年第2季度的PI值(假设无疫情情景)。将预测值与实际PI进行比较,以量化疫情对各产业具体影响。研究揭示了不同产业的收入韧性不一:公用事业(Utilities)、零售(Retail)、金融(Finance)、房地产(Real Estate)和医疗(Healthcare)部门表现出较强的韧性,农业(Farming)尽管初期冲击较大但恢复较早;住宿与餐饮服务(Accommodation and Food Services)部门恢复滞后,对整体影响波动贡献最大(分别贡献53.26%和33.26%)。整体经济冲击最严重为2020年第2季度(-1.42),随后逐渐修复至2020年底反弹转正,并于2021年至2023年持续表现为正增长。
报告的核心信息意在突出不同产业对疫情冲击的差异化响应与适应能力,为政策制定者提供精准的产业支持依据。
本报告并未直接涉及企业估值或财务估值模型设计,但对产业PI的预测及偏差具备衡量经济冲击"价值"的意义。从建模角度看:
本研究通过对美国13个主要产业部门的个人收入时间序列分析,利用ARIMA模型建立无疫情情景预测基线,精准评估COVID-19疫情造成的实际经济冲击。研究发现:
政策建议强调“产业差异化支持”的必要性,尤其聚焦于高冲击与低韧性的食品住宿及农业部门,辅以利用金融、公用事业等部门的稳定扩张助力经济总体复苏。报告为经济决策提供了详实的定量依据和策略导向。
描绘了农林部门波动大、初期拖累严重但快速回升;公用事业部门整体稳定;建筑业复苏较缓慢;制造业快速走出低谷,体现产业复苏异质性。
清楚标示了13个部门恢复时间节点与分类(高度韧性、中度、较低和最低韧性),精准体现信号转折,对后续政策发力点梳理起关键作用。
综上所述,该研究以科学严谨的计量模型揭示了美国产业部门因COVID-19疫情导致的个人收入变动规律与差异,结构化地展现了疫情的初期冲击与持续复苏过程。通过详实的数据和动态趋势分析,报告对理解疫情经济影响的深层次机制和未来产业支持方向提供了宝贵借鉴。,1,2,3,4,5,6,7,8,9,10,11]
2403.20039.pdf