用 AI 辅助分析历史经济周期：按朝代切片的数据科学实验

用 AI 辅助分析历史经济周期：按朝代切片的数据科学实验

一、个性化深度引言

经济学教材上写着“经济危机大约每 10 年一次”，但这基于 20 世纪的工业经济数据。有没有可能从更长的历史维度看经济周期？

做过一次实验：把中国从秦汉到明清两千多年经济史数据整理成结构化数据，再用统计和机器学习方法去看周期性规律。先说明，这并不是一项严格意义上的经济学研究——历史数据的质量，确实没法和现代统计数据相提并论。可方法论上最有意思的一点恰恰在这里：哪怕数据里噪声很多，一些跨朝代的统计规律还是会自己冒出来。真正耐人寻味的是，当把朝代更替当作断点来做结构性变化检验时，数据本身讲出的故事，往往比教科书里写得更丰富。

二、个性化原理剖析

历史经济周期分析框架

数据处理中的关键挑战

1. 数据稀疏性

古代经济数据的覆盖度极不均匀。宋以后有相对详细的粮价记录，之前的只能靠《史记》《汉书》中的碎片化信息。处理方法：对稀疏时期使用线性插值，但必须标注插值区间以降低对分析结果的影响权重。

2. 计量单位不一致

唐代用“石”，宋代用“斗”，明代用“两”（白银）。需要在统一单位之前追溯每个朝代的度量衡换算关系。

3. 记录偏差

史书记录偏向“大事件”——大丰收、大饥荒、大规模战争。日常年份的数据反而是缺失的。这种“极端值偏向”会影响均值和方差的估计。

分析方法的选择

频谱分析：将时间序列转换到频域，寻找周期性成分。傅里叶变换 + 小波变换可用于非平稳序列。

结构断点检验：检验时间序列在朝代更替时是否存在结构性变化。Chow Test 或 Bai-Perron 检验。

事件研究法：以重大事件（如变法、战争）为中心，观察前后 N 年的经济指标变化模式。

三、个性化代码实践

import numpy as npimport pandas as pdfrom typing import List, Dict, Tuple, Optionalfrom dataclasses import dataclassfrom scipy import signal, statsfrom collections import defaultdict@dataclassclass Dynasty:"""朝代数据结构"""name: strstart_year: intend_year: intcapital: strnotes: str = ""class HistoricalEconomicAnalyzer:"""历史经济周期分析器重要说明：历史数据的准确性有限本分析目的是方法探索，结论需谨慎解释"""# 设计原因：中国主要朝代时间线# 数据来源：《中国大百科全书》历史卷# 朝代起止年份在学界有不同观点，此处采用通用分类DYNASTIES = [Dynasty("秦", -221, -206, "咸阳"),Dynasty("西汉", -206, 8, "长安"),Dynasty("新", 9, 23, "长安"),Dynasty("东汉", 25, 220, "洛阳"),Dynasty("三国", 220, 280, "多都"),Dynasty("西晋", 265, 316, "洛阳"),Dynasty("东晋", 317, 420, "建康"),Dynasty("南北朝", 420, 589, "多都"),Dynasty("隋", 581, 618, "大兴"),Dynasty("唐", 618, 907, "长安"),Dynasty("五代十国", 907, 960, "多都"),Dynasty("北宋", 960, 1127, "开封"),Dynasty("南宋", 1127, 1279, "临安"),Dynasty("元", 1271, 1368, "大都"),Dynasty("明", 1368, 1644, "北京"),Dynasty("清", 1644, 1911, "北京"),]def __init__(self):self.data: pd.DataFrame = Noneself.results: Dict = {}def generate_synthetic_data(self) -> pd.DataFrame:"""生成模拟历史经济数据设计原因：真实古代经济数据的获取极为困难此处用模拟数据展示分析方法框架"""np.random.seed(42)# 时间范围：公元前 200 年到公元 1911 年years = np.arange(-200, 1912)n = len(years)# 基础趋势：长期增长 + 周期成分trend = 0.00001 * years# 极其缓慢的增长# 设计原因：40-60 年周期（Kondratiev 波浪的假设）cycle_60 = 0.3 * np.sin(2 * np.pi * years / 60)cycle_120 = 0.2 * np.sin(2 * np.pi * years / 120)# 朝代效应：每个朝代的基线水平略有不同dynasty_effect = np.zeros(n)for dyn in self.DYNASTIES:mask = (years >= dyn.start_year) & (years <= dyn.end_year)if mask.any():# 设计原因：每个朝代的经济基线不同dynasty_effect[mask] = np.random.normal(0, 0.15)# 随机波动noise = np.random.normal(0, 0.2, n)# 合成经济指标（如：人均粮食产量指数）economic_index = trend + cycle_60 + cycle_120 + dynasty_effect + noise# 添加一些重大事件的冲击events = {-200: -0.5,# 秦末战乱8: -0.3, # 王莽代汉184: -0.4, # 黄巾起义755: -0.6, # 安史之乱1127: -0.5,# 靖康之变1644: -0.4,# 明末农民起义}for year, shock in events.items():if year in years:idx = list(years).index(year)# 冲击影响持续 5 年for j in range(5):if idx + j < n:economic_index[idx + j] += shock * (0.8 ** j)df = pd.DataFrame({"year": years,"economic_index": economic_index,})# 添加朝代标签df["dynasty"] = "未知"for dyn in self.DYNASTIES:mask = (df["year"] >= dyn.start_year) & (df["year"] <= dyn.end_year)df.loc[mask, "dynasty"] = dyn.namereturn dfdef spectral_analysis(self, df: pd.DataFrame, indicator: str = "economic_index") -> Dict:"""频谱分析：寻找周期成分设计原因：傅里叶变换将时域信号转为频域峰值频率对应周期成分"""values = df[indicator].dropna().values# 去趋势（避免趋势信号干扰周期检测）from scipy.signal import detrenddetrended = detrend(values)# 傅里叶变换fft = np.fft.fft(detrended)freqs = np.fft.fftfreq(len(detrended))# 只考虑正频率pos_mask = freqs > 0freqs_pos = freqs[pos_mask]power = np.abs(fft[pos_mask]) ** 2# 找到峰值from scipy.signal import find_peakspeaks, properties = find_peaks(power,height=np.percentile(power, 95),# 只取最高 5%distance=5,)# 设计原因：频率 → 周期（年）peak_periods = []for peak_idx in peaks:if freqs_pos[peak_idx] > 0:period = 1 / freqs_pos[peak_idx]if 10 <= period <= 300:# 只关注 10-300 年的周期peak_periods.append({"period_years": round(period, 1),"frequency": freqs_pos[peak_idx],"power": power[peak_idx],})return {"peak_periods": sorted(peak_periods, key=lambda x: x["power"], reverse=True)[:5],# Top 5"dominant_period": peak_periods[0]["period_years"] if peak_periods else None,}def structural_break_test(self,df: pd.DataFrame,indicator: str = "economic_index",) -> pd.DataFrame:"""结构性变化检验：朝代更替是否为断点设计原因：如果朝代更替是统计意义上的断点说明政权变化对经济有实质性影响"""values = df[indicator].valuesyears = df["year"].valuesn = len(values)break_results = []# 对每个朝代边界做检验for i, dyn in enumerate(self.DYNASTIES):# 找到朝代开始年份在数据中的位置start_idx = np.searchsorted(years, dyn.start_year)end_idx = np.searchsorted(years, dyn.end_year)# 设计原因：断点前后至少需要 30 个数据点if start_idx < 30 or (n - start_idx) < 30:continue# 简单版本：比较朝代前后 30 年的均值差异before = values[max(0, start_idx-30):start_idx]after = values[start_idx:min(n, start_idx+30)]if len(before) > 0 and len(after) > 0:t_stat, p_value = stats.ttest_ind(before, after)break_results.append({"dynasty": dyn.name,"start_year": dyn.start_year,"mean_before": np.mean(before),"mean_after": np.mean(after),"t_statistic": t_stat,"p_value": p_value,"significant_0.05": p_value < 0.05,})return pd.DataFrame(break_results)def event_study(self,df: pd.DataFrame,events: Dict[int, str],window: int = 10,) -> pd.DataFrame:"""事件研究法设计原因：观测重大事件前后经济指标的变化模式典型应用：变法、战争、自然灾害的影响评估"""all_windows = []for year, event_name in events.items():year_idx = df.index[df["year"] == year]if len(year_idx) == 0:continueidx = year_idx[0]start = max(0, idx - window)end = min(len(df), idx + window + 1)event_data = df.iloc[start:end].copy()event_data["relative_year"] = range(-min(idx - start, window),min(end - idx, window + 1),)event_data["event"] = event_nameall_windows.append(event_data)if not all_windows:return pd.DataFrame()return pd.concat(all_windows, ignore_index=True)def run_full_analysis(self) -> Dict:"""运行完整分析"""print("=" * 60)print("历史经济周期分析报告")print("警告：本分析基于模拟数据，结论不能作为历史研究依据")print("=" * 60)# 生成数据df = self.generate_synthetic_data()# 1. 频谱分析print("n1. 频谱分析（周期检测）：")spectrum = self.spectral_analysis(df)print(f" 主导周期：{spectrum['dominant_period']} 年")for p in spectrum["peak_periods"][:3]:print(f" - {p['period_years']} 年周期（能量: {p['power']:.2f}）")# 2. 结构性断点检验print("n2. 结构性断点检验（朝代更替）：")breaks = self.structural_break_test(df)significant = breaks[breaks["significant_0.05"]]print(f" 显著断点：{len(significant)} / {len(breaks)} 个朝代边界")for _, row in significant.iterrows():print(f" - {row['dynasty']}: "f"均值 {row['mean_before']:.3f} → {row['mean_after']:.3f}"f" (p={row['p_value']:.4f})")# 3. 事件研究print("n3. 事件研究（重大事件前后 10 年）：")events = {-200: "秦统一六国",755: "安史之乱",1644: "明清更替",}event_data = self.event_study(df, events, window=10)for event_name in events.values():e_data = event_data[event_data["event"] == event_name]if e_data.empty:continuebefore = e_data[e_data["relative_year"] < 0]["economic_index"].mean()after = e_data[e_data["relative_year"] > 0]["economic_index"].mean()change_pct = (after - before) / max(abs(before), 1e-8) * 100print(f" - {event_name}: "f"事件前后变化 {change_pct:+.1f}%")return {"spectrum": spectrum,"breaks": breaks,"event_data": event_data,}# 运行分析analyzer = HistoricalEconomicAnalyzer()results = analyzer.run_full_analysis()print(f"n方法论的局限性：")print("1. 古代经济数据来源有限且存在记录偏差")print("2. 插值填补的数据降低了统计检验效力")print("3. 相关关系不等于因果关系")print("4. 本分析为方法演示，真实研究需要与历史学家合作")

四、个性化边界权衡

分析方法	发现潜力	数据要求	可靠性	适用性
频谱分析	周期规律	长序列 200+	中（受插值影响）	寻找周期
结构断点检验	朝代更替影响	断点前后 30+	中（依赖断点定义）	政策/制度评估
事件研究法	事件冲击	事件前后 5-10 年	低（混杂因素多）	短期影响评估
面板数据分析	地区差异	多地数据 30+	中	区域比较
机器学习预测	模式识别	大量标注	低（因果混淆）	辅助假设生成

关键权衡：

数据的质 vs 量的利用：古代经济数据的精度远不如现代数据。需要极其审慎地解释分析结果——"统计显著"不等于"历史真实"。分析结论应该作为假设提出，而非事实陈述。相关性 vs 因果性：任何时间序列分析都面临"相关不等于因果"的挑战。事件研究法中发现的事件前后变化，可能只是长期趋势的延续。方法严谨 vs 结论务实：在数据质量有限的情况下，过度追求统计方法的复杂性可能产生伪精确性。优选简单、可解释的方法。

五、总结

用 AI 和数据科学方法去分析历史经济周期，真正的价值其实不在结论本身，而在方法本身。频谱分析可以用来识别时间序列里的周期成分，像 40-60 年周期这样的假设，就能放到这个框架里去检验；结构断点检验则可以判断朝代更替是否真的构成了统计意义上的经济断点；事件研究法则能观察重大事件带来的短期冲击模式。数据层面有三大难题：一是稀疏性，虽然需要插值，但必须明确标注不确定性；二是单位不一致，跨朝代的度量衡换算绕不过去；三是记录偏差，史书往往更偏爱记载极端事件。工程实践上，比较稳妥的做法是采用多方法交叉验证，只有当不同方法得出相近结论时，才值得认真对待；同时还要和历史学专业知识结合起来，统计分析不能脱离历史脉络的定性理解。最终，这类分析的意义在于提出可检验的假设，而不是直接给出确定性的历史结论。