基于-Gramer分解定理對我國就業(yè)人數(shù)變化趨勢分析預(yù)測

1、-. z基于Gramer分解定理對我國就業(yè)人數(shù)變化趨勢分析及預(yù)測摘要：本文基于時間序列的Gramer分解定理，利用我國就業(yè)人數(shù)1978年到2007年的歷史數(shù)據(jù)進展實證研究，建立確定性趨勢模型和ARMIA模型的組合模型。最后得出組合模型能夠很好的預(yù)測我國的就業(yè)人數(shù)，然后運用模型對我國就業(yè)人數(shù)進展短期預(yù)測和分析。關(guān)鍵詞： 就業(yè)人數(shù) Gramer分解定理 趨勢外推 ARIMA模型 預(yù)測一、研究背景我國是世界上人口最多的國家，而且未來10年，人口將呈繼續(xù)增加的趨勢，因而也成為世界上就業(yè)壓力最大的國家之一。隨著改革的深化,我國勞動力供需矛盾日益突出,失業(yè)人數(shù)的增加一直困擾著我國經(jīng)濟的開展。21世紀前20

2、年是我國社會經(jīng)濟開展的重要轉(zhuǎn)折階段,而這一階段我國國情當(dāng)中存在的一個突出問題就是嚴重的就業(yè)問題。目前,中國就業(yè)形勢十分嚴峻。就業(yè)問題直接關(guān)系到社會的穩(wěn)定和經(jīng)濟的開展，所以，就業(yè)問題是一個不容無視的問題。如果能夠利用比擬科學(xué)而合理的就業(yè)人數(shù)模型對未來的能源需求做出準確的預(yù)測，這無疑對制定合理的相關(guān)政策具有深遠的意義。就業(yè)人數(shù)往往受許多因素的制約，而且這些因素之間又保持著錯綜復(fù)雜的聯(lián)系，因此，運用構(gòu)造性的因果分析和預(yù)測往往比擬困難.如果選擇預(yù)測模型的標(biāo)準是追求預(yù)測精度的極大化，則最好選擇時間序列模型。二、相關(guān)理論概述及模型選擇1938年，H.Wold在他的博士論文A Study in the An

3、alysis of Stationary Time Series中指出：對于任何一個離散平穩(wěn)過程 ，它都可以分解為兩個不相關(guān)的平穩(wěn)序列之和，其中一個為確定性的，另一個為隨機性的，記作 ，其中， 為確定性時間序列， 為隨機虛禮，且 ，它需要滿足如下條件： ； ； 。Wold分解定理是現(xiàn)代時間序列分析理論的靈魂，但這個分解定理只能分析平穩(wěn)序列的構(gòu)成。隨后，Gramer于1961提出Gramer分解定理，證明了這種分解思路同樣適用于非平穩(wěn)序列。時間序列分析方法包括確定性時間序列分析方法和隨機性時間序列分析方法，確定性時間序列分析方法就是設(shè)法消除序列中的隨機波動項，擬合確定趨勢。這種方法可用來作長期粗

4、略的預(yù)測，但是其預(yù)測結(jié)果往往不準確；隨機時間序列分析方法彌補了確定性因素分解法的缺乏，提高了預(yù)測精度，但是對于非平穩(wěn)的序列，如果先通過差分，會喪失原序列的信息。20世紀60年代，Bates和Granger提出了組合模型理論，組合模型克制了單一模型的局限，有效地集合了更多信息,提高預(yù)測結(jié)果的可行度。因此，本文首先采用趨勢外推預(yù)測模型，然后運用ARIMA模型進展進一步處理二次曲線模型中的殘差序列,最后運用你組合模型預(yù)測我國就業(yè)人數(shù)。三、組合模型的建立根據(jù)Gramer分解定理的思想，將趨勢擬合法和ARIMA模型相結(jié)合，得到：其中， 為確定性趨勢，t為時間變量； 為長期趨勢的殘差，服從ARIMA(p,

5、d,q)過程，B為滯后算子， 為白噪聲。四、實證研究本文共收集了從1978年至2007年共30期的全國就業(yè)人數(shù)的數(shù)據(jù)進展建模研究。1、做趨勢圖圖1從圖1可以看出，1978年到2007年我國就業(yè)人口數(shù)量的動態(tài)變化表現(xiàn)出顯著的上升趨勢和隨機變動。2、確定性局部模型擬合在SPSS中分別采用線性模型、二次曲線、三次曲線、對數(shù)模型、生長曲線、指數(shù)和混合模型擬合序列中確實定局部，通過比擬和擬合優(yōu)度，進展相關(guān)檢驗，顯示二次曲線效果最好。表1 模型擬合比擬表R SquareFdf1df2Sig.線性模型0.944479476.31421280對數(shù)曲線模型0.882822210.95341280二次模型0.97

6、7109576.24432270三次曲線模型0.98097446.75583260復(fù)合模型0.920414323.81961280生長曲線模型0.920414323.81961280指數(shù)曲線模型0.920414323.81961280從表1可以看出擬合優(yōu)度最大的R為二次曲線和三次曲線模型，分別為0.977109和0.98097。二次曲線和三次曲線系數(shù)的t值和顯著性見附表一，從表中得知二次曲線模型的各系數(shù)都通過t檢驗，因此采用二次曲線模型，模型如下所示：3、對殘差序列進展平穩(wěn)性檢驗表2 PP檢驗的結(jié)果PP檢驗1%-3.6752-2.8222615%-2.966510%-2.6220從表2可以看出

7、，在顯著性水平為10%的情況下，可以近似看做該序列為平穩(wěn)序列。4、對殘差序列進展純隨機性檢驗利用LB統(tǒng)計量對已經(jīng)平穩(wěn)的一階差分序列進展純隨機性檢驗如下：表3 LB統(tǒng)計量延遲階數(shù)LB統(tǒng)計量檢驗LB統(tǒng)計量值P值612162417372497760353508420.0010.0010.001從表3可以看出，延遲6、12、16階，LB統(tǒng)計量的P值都小于0.001，因此可以說明殘差序列非隨機性序列。5、殘差序列建模時間序列適合ARMA模型的具體建模，取決于該序列的白回歸函數(shù)ACF和偏白回歸函數(shù)PACF。序列的AC圖和PAC圖，兩圖都顯示了一定的拖尾性。根據(jù)這個特點可以判斷該序列需擬合ARIMAp,0,

8、q模型，即ARMAp,q，且由圖可以看出，樣本的1階自相關(guān)系數(shù)超出虛線，顯著不為零，樣本的1階偏自相關(guān)系數(shù)超出虛線，顯著不為零,因此，本文嘗試對序列分別建立ARMA1,0、ARMA1,1、ARMA0,1模型，然后分別對其進展參數(shù)的顯著性檢驗以及殘差的白噪聲檢驗。結(jié)果整理在表4中：表4 擬合模型模型擬合結(jié)果參數(shù)的顯著性檢驗殘差的白噪聲檢驗ARMA(0,1)顯著通過ARMA(1,0)顯著通過ARMA(1,1)顯著， 不顯著通過所以可以考慮建立模型ARMA1，0或ARMA0，1，兩個模型的參數(shù)檢驗結(jié)果見附表2。1模型選擇比擬表5 模型比擬表AICBICRARMA(1,0)5249625277640.

9、386ARMA(0,1)529.147531.9490.308從表5可以看出，兩個模型的AIC和 BIC值相差不大，但是ARMA1,0的R值大，利用SPSS的E*pert Modeler模塊，結(jié)果顯示最優(yōu)的模型為ARIMA1,0。綜上所述，ARMA1,0模型優(yōu)于MA0.1模型。2ARIMA建模將序列記為*，作為因變量，將其滯后一階的序列記為*1，進展回歸即做ARIMA1,0,0擬合模型。由于滯后期，所以*1序列中產(chǎn)生了缺省值，本文進展了如下處理：將*序列刪除了1樣本值。回歸結(jié)果如下：SE (276.902) 0.154 t (-0.263) 4.420 可見，回歸系數(shù)已通過顯著性檢驗。進一步檢

10、驗?zāi)Ｐ偷娘@著性，結(jié)果如圖4所示： 圖4從此模型殘差值序列的自相關(guān)圖可以看出，此殘差序列已經(jīng)是白噪聲序列。，沒有任何有價值的統(tǒng)計信息了。至此，模型已通過全部檢驗。分析結(jié)果說明，此模型是比擬優(yōu)良的。五、組合模型的評價與預(yù)測由上述分析，可以得到組合模型為：模型中， 為預(yù)測值，t為年份， 為趨勢擬合的殘差， 為隨機擾動項。模型擬合值與真實值的差異如圖五所示，可以看出預(yù)測值和真實值的差異較小，說明二次曲線和ARMA組合模型能夠模型的預(yù)測效果較好，可以用于預(yù)測我國就業(yè)人數(shù)。圖3利用上述組合模型對未來四年的能源消費總量進展預(yù)測，預(yù)測結(jié)果如表6所示。表6 組合模型對我國就業(yè)人數(shù)的預(yù)測萬人年份趨勢擬合殘差擬合預(yù)

11、測值值202177458.320.5065277458.83202177775.4156.4496177831.86202178026.3193.0308278119.34202178211.02116.951378327.97六、結(jié)論及建議依照本文構(gòu)建的模型進展預(yù)測，到2021年我國的就業(yè)人數(shù)將超過7.8億人，2007到2021年之間，就業(yè)人數(shù)年均增加約330多萬人。而有關(guān)數(shù)據(jù)顯示勞動力的供應(yīng)總量約年均增加1800-1900萬。這就意味較高的失業(yè)率，因此希望本文的預(yù)測結(jié)果能給我國關(guān)于就業(yè)情況的分析與改善提供一些依據(jù)，使我國的就業(yè)構(gòu)造得到完善與優(yōu)化，同時政府需探索和推出多樣化的有利于促進就業(yè)的

12、相關(guān)舉措和具有較強現(xiàn)實指導(dǎo)性的可操作性的具體方法，為增加就業(yè)。保持社會穩(wěn)定，促進經(jīng)濟的進一步開展的目標(biāo)而努力奮斗。【參考文獻】1 曉燕、鐘學(xué)旗：我國目前經(jīng)濟高增長與失業(yè)率上升并存原因探J.宏觀經(jīng)濟管理，20211.2 薛峰：中國勞動力就業(yè)狀況預(yù)測和分析A.人口學(xué)刊，20212.3 *國祥：統(tǒng)計與決策M.財經(jīng)大學(xué)，1998.4 王燕：應(yīng)用時間序列分析M.中國人民大學(xué),2005.5 盧奇、顧培亮、邱世民：組合預(yù)測模型在我國能源消費系統(tǒng)中的構(gòu)建及運用J.系統(tǒng)工程理論與實踐,20033.附表1二次曲線模型Bt值Sig.Case Sequence2402.02676914.09360Case Seque

13、nce * 2-33.09428631-6.20370(Constant)34799.1009930.3620三次曲線模型BStd. Errort值Sig.Case Sequence1520.38793415.22606413.66160.001 Case Sequence * 236.853173230.854115511.19440.243 Case Sequence * 3-1.5042464410.654911673-2.2970.030 (Constant)37261.251561511.00970724.660.000 附表2 Parameter EstimatesEstimatesStd Errort值A(chǔ)ppro* SigNon-Seasonal LagsAR1.654.1374.767.000Constant162.145727.376.