基于bp神经网络的我国失业风险预警研究

基于bp神经网络的我国失业风险预警研究

一、失业风险预警目前，失业已成为中国社会经济发展的突出问题。在社会保障水平较低、劳动者对失业风险承受能力有限的情况下，为了适应就业体制改革、确保社会稳定，有必要建立一套失业风险预警系统，以配合政府的宏观调控政策。在国内，宋长青（1997）较早地提出了有关失业预警问题；钱小英（1998）参照澳大利亚劳动市场研究局建立了预测失业率的模型，将中国预测的失业率分解为需求不足失业、结构磨擦失业与农村劳动力挤占失业；杨宜勇（1998）对我国失业统计工作的缺陷作了评价，并提出大中小城市应有不同的警戒线；陈仲常（1999）提出了失业监测与失业预警两个模型的指标体系；劳动和社会保障部劳动科学研究所课题组（2003）使用C-D生产函数推导出失业预警的多元线性模型，并提出了城镇失业预警警戒线。总体上，目前国内对失业风险问题的研究还主要停留在理论探讨上，缺乏经验分析与实证检验。在国外，美国劳动统计局（BLS）曾在1945年后逐步建立了两个预测模型：就业率模型与失业率模型，采用的预测技术主要是ARIMA时间序列自回归移动平均模型（Harvey,1989）；结合Kalman滤波技术及X-11季节性调整技术等方法，将影响数据波动的随机性干扰去除；失业警戒线的确定方法是通过估计标准差来测算失业率警戒线上限为8%～10%，而安全线在4%～6%以下。构建失业风险预警系统是一项复杂的工程。传统的失业预警方法主要是运用时间序列方法、回归分析模型、灰色系统理论等建立预测模型。实践证明，这些方法虽具有一定的预测功能，但失业问题是一个各种因素相互作用、相互影响的非线性系统，上述方法很难满足我国失业风险预警的实际需要。所以，本文将采用具有分布处理、自组织、自适应、自学习、映射能力强和容错性优良等特性的神经网络理论来建立失业风险预警模型，从而能较好地处理多因素、不确定、非线性系统的建模问题。二、失业风险的测量建立失业风险预警模型，首先要建立相应的指标体系。根据陈仲常（1999）提出的指标体系的设计目的和原则，我们选取了宏观经济中与就业及失业相关联的一些指标，主要是从劳动需求与劳动供给两个方面来构建失业风险预警指标体系（如图1），并采用德尔菲法对每个指标进行赋权。在图1中，各指标的含义及计算方法如下：(1)GDP增长率（g）。这里是采用排除了物价指数影响的实际GDP增长指数。根据经济学理论，GDP增长会带来就业的增加，因而该指标是反向指标。即GDP增长率越高，失业的风险越低，警情值也越低。该指标权重为15%。(2）居民消费价格指数（CPI）。根据菲利普曲线的经验规律，通货膨胀与失业率之间存在反向关系。CPI越高，失业率就越低。因此，该指标是反向指标，其权重为10%。(3）综合产业结构偏离度（S）。本文对产业结构偏离度作如下的定义：其中，S表示综合产业结构偏离度，Y1为一产GDP,Y2为二产GDP,Y3为三产GDP,L1为一产从业人数，L2为二产从业人数，L3为三产从业人数。由产业结构偏离度的定义可知，偏离度S越大，表明经济中的就业结构越不合理，需要转换工作的人越多。因此，该指标是正向指标，即指标值越大，失业风险的警情值也越大。该指标的权重为10%。(4）劳动报酬指数（W）。劳动报酬既体现了劳动者就业的质量，也能反映就业的形势。劳动报酬越高，说明就业形势越好。所以，该指标是反向指标。这里用职工工资指数反映劳动者的报酬情况。其权重为10%。(5)GDP增长城镇就业弹性（E）。由于农村存在大量的剩余劳动力，因此，必须用经济增长就业弹性比较敏感的指标来反映经济增长对城镇就业的效应。该指标值越大，表明一定的GDP增长率能创造更多的就业机会，因而该指标是反向指标。即指标值越大，失业风险的警情值就越小。该指标的权重为15%。该指标的计算公式为：其中，E表示GDP增长城镇就业弹性，UEt表示第t期的城镇就业人数，GDPt表示第t期实际GDP水平。(6）经济活动人口变动率（P）。该指标从劳动供给角度反映了劳动人口的增长所带来的就业压力，是正向指标，即指标值越大，就业压力越大，失业风险的警情值也越大。该指标数据来源于历年的《中国统计年鉴》，其中，1977年的数据来源于《1949-1999年中国人口和劳动力推算》一文。指标的权重为10%。(7）农村就业人员的变动率（R）。因为我们的研究对象是城镇的失业风险情况，对于城镇而言，劳动供给除了新增的经济活动人口外，还有来源于农村的劳动力向城镇的转移。所以，农村就业人员的变动也是影响城镇就业压力的一个因素。农村中就业人员越多，城镇中的就业压力就越小；相反，如果农村就业人员大幅下降，则会增加城镇的就业压力。因此，它是一个反向指标，即农村就业人员的增长率越大，则城镇失业警情值就越小。该指标的权重为10%。(8）城镇失业人员变动率（U）。该指标直接反映了当前城镇现存的就业压力。显然，该指标值越大，就业压力越大，因而是正向指标。该指标的权重为20%。根据以上的计算方法，可以计算出1978-2006年历年的指标值，如表1所示。在上文中，我们共设计了8个指标来刻画失业风险情况。但由于不同指标度量单位的不同，因此，不能直接对原始数据进行加权。要计算失业风险的综合警情值大小，就必须进行标准化处理，即先将各指标值转化为具有可比性的无量纲单位的指数，然后才能进行加权，并得到失业风险综合警情值。这里，采用正态分位数方法对各指标进行无量纲化处理，并据以确定各指标的警情值。最后，通过加权得到以指数表示的综合警情值。假定存在某一指标x=[x1,x2,…,xt]，下面先计算该时间序列指标的均值与标准差，即：然后，计算各期xt指标值正态分布的累积概率密度为：最后，由累积概率密度计算分位数为：上面各式中，xt表示指标x第t个元素的原始数值；Qt表示指标x第t个元素的标准化正态分位数。根据上述方法计算的各指标警情值处于。在失业风险预警的指标体系中，有些指标是正向的，即指标值越大，警情值越大，失业风险也越大；而有些指标是反向的，即指标值越大，警情值越小，失业风险也越小。所以，必须根据各指标的性质对其警情值作出调整。具体方法如下：根据以上方法计算的各指标警情值的结果如表2所示。在得到各指标的警情值后，再根据各指标权重的大小，便可加权计算综合的失业风险警情值，如图2所示。三、bp神经网络模型分析BP算法是目前应用最为广泛的神经网络学习算法。它是一种单向传播的多层前向神经网络，采用误差反向传播的算法。BP网络除有输入层和输出层之外，还有一层或多层隐含层，同层节点间无任何联结，每个节点都是单个神经元，神经元的传递函数通常为Sigmiod函数或线性函数。由于同层节点间无任何耦合，因此，每一层的神经元只接受前一层神经元的输入，每一层神经元的输出只影响下一层神经元的输入。Robert等已经证明，对任何在闭区间内的一个连续函数都可用一个3层BP网络（即含有一个隐层）逼近，因而一个3～4层的BP网络就可以完成任意的n维到m维的映射，但含有2个隐层的BP网络与含有1个隐层的BP网络相比，更易陷入局部极小，更难以训练。BP学习算法是一种迭代算法，一次学习过程由输入数据的正向传播和误差的反向传播两个子过程组成。其学习过程可描述如下：（1）工作信号正向传播。输入信号从输入层经隐层神经元，传向输出层，在输出端产生输出信号，这是工作信号的正向传播。在信号向前传递的过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差信号反向传播。（2）误差信号反向传播。网络的实际输出与期望输出之间的差值，即为误差信号。误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在此过程中，网络的权值由误差反馈进行调节。通过权值的不断修正，使网络的实际输出更接近期望输出。有关BP神经网络的具体计算过程如图3所示。下面将采用Matlab软件来计算BP神经网络模型，并对各指标进行仿真与预测。在失业风险预警指标体系中，总共有8个指标用来度量和评价失业风险的大小。从经济学理论可知，这些指标之间具有相互影响、相互决定的系统性特征，且这些相互影响关系具有一定的时滞性。所以，将所有指标的一阶滞后值和二阶滞后值定义为网络的输入，将所有指标的当期值定义为网络的目标输出。经过尝试，基于网络模型稳定性及输出指标数据的要求，我们构建了一个三层结构的神经网络模型：第一层传递函数为正切S形，神经元的数量有3个；第二层传递函数也是正切S形，神经元的数量有5个；第三层传递函数为线形，神经元数量有8个。网络训练方法是Levenberg-MarquardtBP(LMBP）算法，网络性能函数默认为MSE计算网络输出和目标输出的均方误差，网络的初始权值取（-1,1）之间的随机数，网络目标误差精度定义为0.00002，最大训练次数是1000次。由于网络的输入都是各指标的滞后值（包括一阶滞后和二阶滞后），因此，利用上面所构建的BP神经网络模型，不仅可以对各指标历史数据进行仿真，还能采用递推的方法实现对未来各指标值的预测。在表3中，我们给出了神经网络模型对所有1978-2006年各指标样本进行学习后得出的仿真结果。为显示仿真效果，可以将各指标仿真值与真实值画在同一个图中进行比较，如图4所示。从图4可看出，相对于复杂系统来讲，神经网络模型通过网络的学习能够达到更好的模拟效果。大多数指标的模拟结果与真实值逼近，少数指标存在一定差异，这需要进一步优化神经网络模型来改善仿真效果。为检验模型的预测能力，我们预留了2004-2006年的3个样本来进行预测实验。利用上面训练的网络，将2003年以前的历史数据作为输入信号，可得到2004-2006年各指标的预测值。在对各指标值进行预测后，便可计算模型预测的准确度。考虑到不同指标原始数值的差异较大，如果采用相对误差率来检验各指标的预测精度，则会缺乏可比性和科学性。所以，本文并不直接检验各指标原始数据的预测精度，而是先根据仿真结果计算各指标的警情值。然后，比较预测的警情值与上文计算的真实警情值之间的差异来计算预测精度。由于各指标的警情值都是介于的标准化数值，因此，基于警情值的各指标的误差才更具有可比性。预测精度的计算公式如下：在上述公式中，有关警情值的计算方法与上文一致，综合警情值由各指标警情值的加权平均得到。将预测警情值与实际警情值的差除以100，其原因在于正态分位法将原始数值都标准化为的警情值。在表4中，给出了根据各指标预测值计算的警情值及综合警情值，并计算了综合警情值的误差率。上文分析了利用神经网络模型进行仿真与预测的效果。从综合警情值的误差率来看，模型的预测效果是比较好的。下面将利用上文构建的BP神经网络模型方法来预测2007-2010年我国失业风险的变化趋势，模型的学习样本是1978-2006年的历史数据，预测结果如表5所示。四、理论模型与法参数估计方法的对比目前，国内外对于失业问题的预警分析主要是采用参数估计方法。参数估计方法就是采用传统的计量经济学回归方法，以时间序列数据为样本，估计出各方程中的系数。在此基础上，对未来的就业及其他经济变量的变化进行预测。其优点是，可以对利用的样本数据所估计出的参数进行检验，从而对所建立的模型的优劣作出评判，不断地改进模型，以尽量提高模型的拟合优度与预测精度。但是，这一方法存在明显不足，即参数估计方法的一个基本假设是每个方程中解释变量与因变量之间存在固定的函数形式，且方程中的系数也是固定不变的。这一假设存在两个方面的问题：一是人们往往很难知道解释变量与因变量之间的确切函数形式，这可能会导致模型设定方面的错误；二是由于时间序列数据的样本跨期较长，因此，在样本期内，估计方程中的系数发生变化的可能性很大。本文采用非参数的神经网络方法对失业风险问题进行研究，并对我国未来失业风险变化趋势进行了预测。从预测结果来看，本文虽然仅用了29个年度的样本进行训练，但人工神经网络模型可以较好地实现对失业风险的良好仿真与预警，其