未来五年河南省GDP预测

发布时间：2013-03-16 17:13:20

未来五年河南省GDP预测

摘要：本文借助于SPSS17.0软件，首先运用主成分分析消除产业数据间的共线性，然后运用多元线性回归的方法建立GDP总值与各产业总值的多元线性回归模型，接着运用曲线估计的方法分别对河南省各产业未来五年产值进行预测，最后根据各产业未来五年预测值和建立模型分别对2013—2017年河南省GDP总值预测，得出河南省未来五年预测值分别为：33995.040、41236.884、49980.227、60525.879、73233.803亿元。

关键词：SPSS17.0；主成分分析；多元线性回归；曲线估计；GDP；预测

一、问题重述

改革开放政策实施以来，河南省经济总值、金融产业、房地产业、旅游产业、农林产业、教育医疗事业、矿产业、交通运输产业等产业迅速发展，为研究改革开放以来河南省经济发展状况影响。请搜集相关数据对我省近年来经济发展趋势进行分析，并建立相关数学模型对我省未来五年的经济生产总值进行预测。

根据上述内容提出问题：

1.1问题一，搜集河南省改革开放以来相关经济产业数据。

1.2问题二，根据上述收集数据分析我省GDP总值发展趋势。

1.3问题三，运用上述数据建立经济预测模型。

1.4问题四，根据建立的预测模型对我省2013—2017年GDP总值进行预测。

二、问题分析

2.1 对于问题一，研究改革开放以来河南省GDP总值的发展状况。因此需要综合考虑河南省所处地理位置，矿产资源，经济产业结构等因素。综上所述，应从河南省的农林牧渔业、工业、建筑业、服务业等方面进行收集数据。

通过查询河南统计网资源《河南省统计年鉴2012》收集河南省1978—2011年历年GDP生产总值，农林牧渔业、工业、建筑业、服务业统计数据。统计数据详见附录一。

2.2 对于问题二，根据上述河南省1978—2011年GDP统计数据，通过对各产业值数据进行分析，得出结论：34年来河南省GDP总值大致呈现指数曲线增长趋势。

2.3 核算GDP主要从三大产业来进行根据上述收集数据建立模型，首先对收集数据进行处理，然后借助于SPSS17.0软件，运用主成分分析法消除各产业数据间的共线性，然后运用多元线性回归法建立模型，得到河南省GDP总值Y与各产业变量Xp的函数：， 接着运用曲线估计的方法分别求出河南省2013—2017年各主要产业的预测值，最后由各主要产业预测值求出河南省2013—2017年GDP预测值。

2.4 由上述建立模型和河南省未来五年各产业预测值，求出河南省未来五年GDP预测值为：33995.040、41236.884、49980.227、60525.879、73233.803亿元。

三、模型假设

3.1 文中数据来源客观真实。

3.2 计算过程中产生部分误差可忽略。

3.3 GDP核算方法为生产法。

3.4 未来五年内不考虑其它因素对河南省GDP影响，如：国家政策，自然灾害等

四、符号说明

T

年份

t

年份编号【以1978年记为1】

Y

GDP总值

X1

农林牧渔业

X2

工业

X3

建筑业

X4

服务业

五、模型建立与求解

5.1数据预处理

根据附录一，首先剔除1978年前各产业统计数据，选取河南省1978—2011年GDP总值、农林牧渔业、工业、建筑业、服务业的产业统计数据作为研究数据，详见附录二。

5.2建立GDP与各产业值的多线性回归模型

5.2.1数据标准化

运用SPSS17.0软件Descriptive选项，对预处理数据进行标准化处理，各产业变量的均值，标准差如表1所示 ：

表1 描述性统计量表

Descriptive Statistics

N

Mean

Std. Deviation

Y

34

5562.137737

7.1887104E3

X1

34

984.814706

978.7364903

X2

34

2614.142245

3.7229683E3

X3

34

308.421546

396.8499316

X4

34

1654.759239

2.1163300E3

Valid N (listwise)

34

5.2.2共线性诊断

目前较为常用的诊断方法有：条件数（condition index）、容忍度 Tolerance（方差膨胀因子（VIF））、特征根（Eigen value）分解法。

(1)条件数：指 X'X 的最大特征根与最小特征根之比k=λ1/λp,它刻画了

特征值差异的大小。一般情况下，若 k<100，认为复共线性很小；

100≤k≤1000，认为存在中等程度的复共线性；若k>1000 认为

存在严重共线性。

(2)容忍度：以每个自变量作为因变量对其他自变量进行回归分析时得到残差

比例，用 1 减去 决 定 系 数 来 表 示(1-R2)， 越小说明共线 性越重，T<0.1 时共线性非常严重 。由此方差因子VIF：定义 VIF=1/T,VIF越大，说明共线性越严重。

(3)特征根分解法：对自变量进行主成分分析，若相当多维度的特征根为0， 则共线性严重。

借助于SPSS17.0软件对各产业变量X1、X2、X3、X4进行共线性诊断，结果如下所示：

表2 回归系数和共线性统计量

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

Collinearity Statistics

B

Std. Error

Beta

Tolerance

VIF

1

(Constant)

-4.094E-17

.000

.000

1.000

Zscore(X1)

.136

.000

.136

8386715.708

.000

.018

54.406

Zscore(X2)

.518

.000

.518

2.136E7

.000

.008

121.339

Zscore(X3)

.055

.000

.055

1185713.006

.000

.002

447.497

Zscore(X4)

.294

.000

.294

5391772.233

.000

.002

615.460

表3 共线性诊断

Collinearity Diagnosticsa

Model

Dimension

Eigenvalue

Condition Index

Variance Proportions

(Constant)

Zscore(X1)

Zscore(X2)

Zscore(X3)

Zscore(X4)

1

1

3.966

1.000

.00

.00

.00

.00

.00

2

1.000

1.992

1.00

.00

.00

.00

.00

3

.029

11.761

.00

.41

.10

.00

.00

4

.004

31.412

.00

.51

.82

.20

.05

5

.001

61.538

.00

.08

.08

.80

.95

由表2给出线性回归方程中回归系数的估计值和共线性统计量， 表中容忍度(Tolerance)为Zscore(X1)、Zscore(X2)、Zscore(X3)、Zscore(X4)<0.1，并且其方差膨胀因子VIF 都很大，说明各产业数据之间存在严重的共线性。

由表3可以看出，条件数3.966/0.001≈3966，故共线性程度较严重。从方差百分比上看，Zscore(V3)、Zscore(V4)变量间也存在明显相关性。

5.2.3主成分分析法

运用SPSS17.0对上述标准化标量Zscore(X1)、Zscore(X2)、Zscore(X3)、Zscore(X4)作主成分分析；结果如下表所示：

表4 因子分析检验表

KMO and Bartlett's Testa

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

.815

Test of Sphericity

Approx. Chi-Square

448.686

df

6

Sig.

.000

由表4可知： KMO and Bartlett's Test 的检验结果。其中，KMO值为0.815，大于0.8，说明收集数据适合做因子分析，Bartlett's Test球度检验的相伴概率值为0.000，小于显著性水平0.05，因此拒绝原假设，认为作因子分析也比较合适的。综上所述，认为上述数据做因子分析是比较合适的。

表5 主成分提取汇总表

Total Variance Explained

Component

Initial Eigenvaluesa

Extraction Sums of Squared Loadings

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

Raw

1

3.966

99.156

99.156

3.966

99.156

99.156

2

.029

.717

99.873

.029

.717

99.873

3

.004

.100

99.974

.004

.100

99.974

4

.001

.026

100.000

.001

.026

100.000

图 1

为保证模型预测的精确度，原信息量应该尽可能保留，在此选择保留信息量为原信息量的99.5%以上。由主成分提取汇总表【表5】显示4个特征值分别为λ1=3.966，λ2=0.029，λ3=0.004，λ4=0.001，前两个特征值的累计贡献率达到99.87%，已经超过原信息量的99.5%，故选取前两个主成分即可。

由公共因子碎石图【图1】可知，在第二个特征值以后，特征值的变化趋势已趋于平缓，即：提取前两个因子已经显著包含原信息量，且由表5可知，提取前两个特征值时，应经超过原信息量的99.5%，因此，提取前两个的因子即可。

表6 因子载荷矩阵

Component Matrixa

Component

1

2

3

4

Zscore(X1)

.991

.135

.021

.002

Zscore(X2)

.994

-.099

.040

.003

Zscore(X3)

.999

-.019

-.038

.020

Zscore(X4)

.999

-.016

-.023

-.025

表7 因子得分系数矩阵

Component Score Coefficient Matrixa

Component

1

2

3

4

Zscore(X1)

.250

4.713

5.250

2.136

Zscore(X2)

.251

-3.447

9.971

3.157

Zscore(X3)

.252

-.678

-9.480

18.897

Zscore(X4)

.252

-.565

-5.650

-24.149

因子载荷矩阵【表6】和因子得分系数矩阵平【表7】，分别反映了各因子Fi和各产业变量Xp间的线性关系.

5.2.4 多元线性回归模型

第一特征值λ1=3.966和第二特征值λ2=0.029对应的标准正交化特征向量分别为：

（5.2.4.1）

由SPSS17.0计算向量得：

其中，主成分F1、F2和各向量间满足：

（5.2.4.2）

即：主成分F1、F2和各标准化产业变量间函数关系：

（5.2.4.3）

（5.2.4.4）

运用SPSS17.0软件，采用多元线性回归的方法求出标准化的GDP总值与与主成分因子F1，F2的函数关系式，运行结果如表8所示：

表8 回归系数表

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

-7.270E-17

.003

.000

1.000

F1

.502

.001

.999

359.794

.000

F2

-.227

.016

-.039

-13.909

.000

由回归系数表【表8】，可得标准化的GDP总值与与主成分因子F1，F2的函数关系式：

（5.2.4.5）

由上式可得：GDP总值Y和各产业变量Xp间的函数关系视为：

（5.2.4.6）

5.3计算各产业变量与年份编号t的关系.

借助于SPSS17.0软件，采用曲线估计的方法分别计算各产业数据与年份编号t间的函数关系，计算结果如下：

【1】农林牧渔业

表9 模型汇总和参数估计值

Model Summary and Parameter Estimates

Equation

Model Summary

Parameter Estimates

R Square

F

df1

df2

Sig.

Constant

b1

b2

b3

Linear

.842

170.256

1

32

.000

-593.238

90.174

Cubic

.986

706.510

3

30

.000

-32.632

43.129

-2.707

.130

Power

.864

203.707

1

32

.000

18.397

1.300

Exponential

.987

2409.746

1

32

.000

66.553

.120

由表9可知，当采用指数函数拟合时，决定系数R方值最大，即，采用指数函数的拟合效果最好。利用指数函数拟合图形效果如图2所示：

图 2

表10 模型汇总

Model Summary

R

R Square

Adjusted R Square

Std. Error of the Estimate

.993

.987

.986

.140

由模型汇总表【表10】可知：调整的决定系数为0.986，拟合优度R为0.993，可见指数函数拟合效果还是很比较好的。



表11 回归系数表

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

t

.120

.002

.993

49.089

.000

(Constant)

66.553

3.267

20.371

.000

由回归系数表【表11】得农林牧渔产业X1和年份编号t的指数函数：

（5.3.1）

【2】工业

表12 模型汇总和参数估计值

Equation

Model Summary

Parameter Estimates

R Square

F

df1

df2

Sig.

Constant

b1

b2

b3

Linear

.671

65.196

1

32

.000

-2744.210

306.192

Cubic

.987

741.299

3

30

.000

-884.497

412.479

-39.387

1.165

Power

.812

138.666

1

32

.000

7.549

1.798

Exponential

.991

3440.393

1

32

.000

40.536

.172

由表12可知，当采用指数函数时，决定系数R方的值最大，即：采用指数函数的拟合效果最好。拟合图形效果如图3所示：

图 3

表13 模型汇总

Model Summary

R

R Square

Adjusted R Square

Std. Error of the Estimate

.995

.991

.990

.167

由模型汇总表【表13】可得：调整后决定系数为0.990，拟合优度R为0.995，可见拟合效果还是很好的。

表14 回归系数表

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

t

.172

.003

.995

58.655

.000

(Constant)

40.536

2.379

17.036

.000

由回归系数表【表14】得到指数函数为：

（5.3.2）

【3】建筑业

表15 模型汇总和参数估计值

Equation

Model Summary

R Square

F

df1

df2

Sig.

Linear

.736

89.016

1

32

.000

Cubic

.994

1606.956

3

30

.000

Power

.813

138.751

1

32

.000

Exponential

.993

4260.293

1

32

.000

表15可知，当采用三次函数时，决定系数R方的值0.994最大，即，采用三次

函数的拟合效果最好。拟合函数及拟合图形如图4所示：

图 4

表16 模型汇总表

Model Summary

R

R Square

Adjusted R Square

Std. Error of the Estimate

.997

.994

.993

32.732

由模型汇总表【表16】可得：调整后决定系数R方的值为0.993，拟合优度R为0.997，可见拟合效果还是很好的。

表17 回归系数表

Coefficients

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

t

27.858

6.140

.699

4.537

.000

t ** 2

-2.729

.404

-2.471

-6.746

.000

t ** 3

.093

.008

2.778

12.266

.000

(Constant)

-51.895

25.177

-2.061

.048

由回归系数表【表17】得到建筑业产值和年份编号t函数为： （5.3.3）

【4】服务业

表18 模型汇总和参数估计值

Model Summary and Parameter Estimates

Equation

Model Summary

Parameter Estimates

R Square

F

df1

df2

Sig.

Constant

b1

b2

b3

Linear

.746

93.800

1

32

.000

-1556.679

183.511

Cubic

.994

1567.859

3

30

.000

-320.981

152.529

-14.395

.490

Power

.875

223.560

1

32

.000

4.210

1.878

Exponential

.992

3945.950

1

32

.000

27.252

.173

由表18可知，采用三次函数时，决定系数R方的值0.994最大，即，采用三次函数时拟合效果最好。三次拟合函数及拟合图形如下图5所示：

图 5

表19 模型汇总

Model Summary

R

R Square

Adjusted R Square

Std. Error of the Estimate

.997

.994

.993

176.704

由模型汇总表【表19】可得：调整后决定系数R方的值为0.993，拟合优度R为0.997，可见拟合效果还是很好的。

表20 回归系数表

Coefficients

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

t

152.529

33.146

.718

4.602

.000

t ** 2

-14.395

2.184

-2.444

-6.592

.000

t ** 3

.490

.041

2.736

11.933

.000

(Constant)

-320.981

135.920

-2.362

.025

由回归系数表【表20】得到三次函数为：

（5.3.4）

5.4 根据各产业预测值来计算GDP总值预测值

由步骤5.3可知，根据河南省各主要产业与年份编号t函数关系计算得出河南省2013—2017年各产业预测值，表下表：

表21 河南省2013—2017年各主要产业的预测值

年份T

2013

2014

2014

2016

2017

农林牧渔业

5004.029

5642.027

6361.367

7172.422

8086.883

工业

19814.920

23533.741

27950.503

33196.193

39426.382

建筑业

1753.217

1953.579

2169.129

2400.425

2648.025

服务业

9375.583

10435.807

11576.021

12799.165

14108.179

由5.2可知：河南省GDP总值与各产业的函数关系式：

（5.4.1）

由河南省2013—2017年各产业预测值数据导入函数关系式5.2.1，运用SPSS计算得到河南省2013—2017年GDP预测值：

表22 河南省2013—2017年GDP总值预测值 【单位：亿元】

年份T

2013

2014

2015

2016

2017

GDP预测值

33995.040

41236.884

49980.227

60525.879

73233.803

六、模型评价与改进

6.1模型评价：

首先运用主成分回归分析法消除各产业数据间的共线性，然后运用多元线性回归分析建立GDP总值与各产业间的线性模型，接着运用曲线回归预测法分别对河南省2013—2017年各产业进行预测，其综合考虑了与河南省GDP核算相关的各主要产业，但需要分别对未来五年内各主要产业进行预测，可能会产生较大的计算误差，从而导致模型预测的精确度降低。

6.2改进措施

对于已建立的模型，为提高模型的精确度，可对数据进一步处理，提高数据准确度；或采用BP神经网络模型、马尔科夫模型、指数平滑预测模型来进行预测，或者采用多种模型相结合的方法进行预测。

七、参考文献

【1】河南省统计年鉴，http://www.ha.stats.gov.cn/hntj/lib/tjnj/2012/indexch.html

【2】三大产业划分规定，http://wenku.baidu.com。2012/11/30

【3】高百宁，经济预测与决策.【M】.上海：上海财经出版社，2009:10

【4】宋志刚，谢蕾蕾，何旭洪.SPSS16实用教程【M】.北京：人民邮电出版社，2008：10

【5】郭呈全，陈希镇.主成分回归的SPSS实现【J】.统计与决策2011年第5期

【6】何晓群，刘文卿.应用回归分析【M】.北京：中国人民大学出版社，2007:7

【7】姜启源，谢金星，叶俊. 数学模型【M】.北京：高等教育出版社，2003:8

八、附录

附录一：

河南省历年省总值

　

生产总值

　

　

　

　

　

人 均

　

第一产业

第二产业

　

　

第三产业

生产总值

年 份

　

　

　

工 业

建筑业

　

(元)

Year

Gross

　

　

　

　

　

Per Capita

　

Domestic

Primary

Secondary

　

　

Tertiary

GDP

　

Product

Industry

Industry

Industry

Construction

Industry

(yuan)

　

　

　

　

　

　

　

　

1952

36.09

22.46

8.23

4.77

3.46

5.4

82.8

1957

52.55

24.27

18.08

6.87

11.21

10.2

109.8

1962

43.02

17

14.05

8.54

5.51

11.97

88.3

1965

62.96

29.58

19.1

16.27

2.83

14.28

121.8

1970

97.19

44.49

36.06

30.04

6.02

16.64

163.5

1975

127.77

55.71

50.34

41.54

8.8

21.72

190.6

1978

162.92

64.86

69.45

59.2

10.25

28.61

232.3

1979

190.09

77.3

80.52

68.64

11.88

32.27

266.7

1980

229.16

93.23

94.44

80.51

13.93

41.49

316.7

1981

249.69

106.04

95.79

82.61

13.18

47.86

340.1

1982

263.3

108.18

102.76

88.62

14.14

52.36

353

1983

327.95

143.49

116.36

100.35

16.01

68.1

432.9

1984

370.04

155.28

136.29

116.66

19.63

78.47

481.6

1985

451.74

173.43

170.07

144.39

25.68

108.24

579.7

1986

502.91

179.02

202.15

174.47

27.68

121.74

635.3

1987

609.6

220.22

230.25

195.75

34.5

159.13

755.8

1988

749.09

240.72

299.83

258.38

41.45

208.54

909.9

1989

850.71

289.95

317.13

281.71

35.42

243.63

1012.3

1990

934.65

325.77

331.85

288.58

43.27

277.03

1090.6

1991

1045.73

334.61

388.09

336.26

51.83

323.03

1201.2

1992

1279.75

353.92

545.21

481.11

64.1

380.62

1452.3

1993

1660.18

410.45

764.2

678.36

85.84

485.53

1864.6

1994

2216.83

546.68

1058.89

948.78

110.11

611.26

2466.8

1995

2988.37

762.99

1394.98

1256.52

138.46

830.4

3297.1

1996

3634.69

937.64

1677.62

1496.72

180.9

1019.43

3978.4

1997

4041.09

1008.55

1861.28

1641.08

220.2

1171.26

4388.9

1998

4308.24

1071.39

1937.83

1692.35

245.48

1299.02

4643

1999

4517.94

1123.14

1981.07

1729.29

251.78

1413.73

4831.5

2000

5052.99

1161.58

2294.15

2000.04

294.11

1597.26

5449.7

2001

5533.01

1234.34

2510.45

2182.78

327.67

1788.22

5959.1

2002

6035.48

1288.36

2768.75

2412.18

356.57

1978.37

6487

2003

6867.7

1198.7

3310.14

2876.93

433.21

2358.86

7375.9

2004

8553.79

1649.29

4182.1

3644.4

537.7

2722.4

9200.6

2005

10587.42

1892.01

5514.14

4896.01

618.13

3181.27

11346

2006

12362.79

1916.74

6724.61

6031.21

693.4

3721.44

13172

2007

15012.46

2217.66

8282.83

7508.33

774.5

4511.97

16012

2008

18018.52624

2658.78

10259.98624

9328.15

931.8362447

5099.76

19180.89206

2009

19480.45521

2769.05

11010.49634

9900.26634

1110.23

5700.908865

20596.80187

2010

23092.36

3258.09

13226.38

11950.88

1275.5

6607.89

24446.09942

2011

26931.0316

3512.24

15427.07633

13949.32

1477.756328

7991.715275

28660.70516

附录二：

处理数据

1978

162.92

64.86

69.45

59.2

10.25

28.61

232.3

1979

190.09

77.3

80.52

68.64

11.88

32.27

266.7

1980

229.16

93.23

94.44

80.51

13.93

41.49

316.7

1981

249.69

106.04

95.79

82.61

13.18

47.86

340.1

1982

263.3

108.18

102.76

88.62

14.14

52.36

353

1983

327.95

143.49

116.36

100.35

16.01

68.1

432.9

1984

370.04

155.28

136.29

116.66

19.63

78.47

481.6

1985

451.74

173.43

170.07

144.39

25.68

108.24

579.7

1986

502.91

179.02

202.15

174.47

27.68

121.74

635.3

1987

609.6

220.22

230.25

195.75

34.5

159.13

755.8

1988

749.09

240.72

299.83

258.38

41.45

208.54

909.9

1989

850.71

289.95

317.13

281.71

35.42

243.63

1012.3

1990

934.65

325.77

331.85

288.58

43.27

277.03

1090.6

1991

1045.73

334.61

388.09

336.26

51.83

323.03

1201.2

1992

1279.75

353.92

545.21

481.11

64.1

380.62

1452.3

1993

1660.18

410.45

764.2

678.36

85.84

485.53

1864.6

1994

2216.83

546.68

1058.89

948.78

110.11

611.26

2466.8

1995

2988.37

762.99

1394.98

1256.52

138.46

830.4

3297.1

1996

3634.69

937.64

1677.62

1496.72

180.9

1019.43

3978.4

1997

4041.09

1008.55

1861.28

1641.08

220.2

1171.26

4388.9

1998

4308.24

1071.39

1937.83

1692.35

245.48

1299.02

4643

1999

4517.94

1123.14

1981.07

1729.29

251.78

1413.73

4831.5

2000

5052.99

1161.58

2294.15

2000.04

294.11

1597.26

5449.7

2001

5533.01

1234.34

2510.45

2182.78

327.67

1788.22

5959.1

2002

6035.48

1288.36

2768.75

2412.18

356.57

1978.37

6487

2003

6867.7

1198.7

3310.14

2876.93

433.21

2358.86

7375.9

2004

8553.79

1649.29

4182.1

3644.4

537.7

2722.4

9200.6

2005

10587.42

1892.01

5514.14

4896.01

618.13

3181.27

11346

2006

12362.79

1916.74

6724.61

6031.21

693.4

3721.44

13172

2007

15012.46

2217.66

8282.83

7508.33

774.5

4511.97

16012

2008

18018.52624

2658.78

10259.98624

9328.15

931.8362447

5099.76

19180.89206

2009

19480.45521

2769.05

11010.49634

9900.26634

1110.23

5700.908865

20596.80187

2010

23092.36

3258.09

13226.38

11950.88

1275.5

6607.89

24446.09942

p

< class=' _13'>

2011

26931.0316

3512.24

15427.07633

13949.32

1477.756328

7991.715275

28660.70516

附录三

三大产业划分原则

第一产业（primary industry）：又称第一次产业。按“三次产业分类法”划分的国民经济中的一个产业部门。指以利用自然力为主，生产不必经过深度加工就可消费的产品或工业原料的部门。其范围各国不尽相同。一般包括农业、林业、渔业、畜牧业和采集业。有的国家还包括采矿业。中国国家统计局对三次产业的划分规定，第一产业指农业（包括林业、牧业、渔业等）。

第二产业对第一产业和本产业提供的产品（原料）进行加工的部门，包括采矿业，制造业，电力、燃气及水的生产和供应业，建筑业。

第三产业指除第一、二产业以外的其他行业(又称第三次产业) .

我国第三产业包括流通和服务两大部门，具体分为四个层次：一是流通部门：交通运输业、邮电通讯业、商业饮食业、物资供销和仓储业；二是为生产和生活服务的部门：金融业、保险业、地质普查业、房地产管理业、公用事业、居民服务业、旅游业、信息咨询服务业和各类技术服务业；三是为提高科学文化水平和居民素质服务的部门：教育、文化、广播、电视、科学研究、卫生、体育和社会福利事业；四是国家机关、政党机关、社会团体、警察、军队等，但在国内不计入第三产业产值和国民生产总值。

由此可见，这种第三产业基本是一种服务性产业。

参考资料：百度百科

未来五年河南省GDP预测

推荐内容

相关推荐