劉天麒

摘 要：宏觀(guān)經(jīng)濟(jì)政策的制定必然要參照各次產(chǎn)業(yè)發(fā)展水平，故研究產(chǎn)業(yè)發(fā)展規(guī)模變化趨勢(shì)就顯得十分必要。文章通過(guò)BP神經(jīng)網(wǎng)絡(luò)，對(duì)廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量進(jìn)行分析，并以2016年的《廣東省統(tǒng)計(jì)年鑒》提供的數(shù)據(jù)為依據(jù)建立預(yù)測(cè)模型，結(jié)果表明：該模型最大誤差為5.26%，滿(mǎn)足預(yù)期要求，實(shí)際值和預(yù)測(cè)值的擬合關(guān)系較為理想，證實(shí)了所述方法的有效性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；廣東省第三產(chǎn)業(yè)；就業(yè)人口數(shù)量；預(yù)測(cè)

近年來(lái)，隨著我國(guó)經(jīng)濟(jì)實(shí)力的發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)的迅速升級(jí)，第三產(chǎn)業(yè)從業(yè)者數(shù)量在我國(guó)就業(yè)人口數(shù)量中所占比重逐漸增大，第三產(chǎn)業(yè)的興旺已成為現(xiàn)代經(jīng)濟(jì)發(fā)展的重要特征。鑒于第三產(chǎn)業(yè)在國(guó)民經(jīng)濟(jì)中的重要地位，本文以廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量作為研究對(duì)象，使用反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)方法，研究了廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量的預(yù)測(cè)模型。

目前國(guó)內(nèi)關(guān)于就業(yè)人口數(shù)量的建模方法較多，應(yīng)用較為廣泛的有灰色理論及神經(jīng)網(wǎng)絡(luò)建立的就業(yè)預(yù)測(cè)模型[1]，以及利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)大學(xué)生就業(yè)模型[2]。關(guān)于第三產(chǎn)業(yè)的相關(guān)建模方法也較為多見(jiàn)，但都集中在對(duì)第三產(chǎn)業(yè)GDP的建模研究，如采用時(shí)間序列法[3]、回歸分析法[4]對(duì)GDP進(jìn)行建模，甚少涉及就業(yè)人口的建模研究。因此，本文利用BP神經(jīng)網(wǎng)絡(luò)方法，結(jié)合廣東省近12年來(lái)第三產(chǎn)業(yè)就業(yè)人口數(shù)量，建立預(yù)測(cè)模型，以期為廣東省第三產(chǎn)業(yè)的未來(lái)發(fā)展趨勢(shì)提供理論依據(jù)。

1 BP神經(jīng)網(wǎng)絡(luò)模型原理

1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，在當(dāng)前人工神經(jīng)網(wǎng)絡(luò)算法中得到廣泛應(yīng)用。它包括輸入層、隱含層和輸出層，同層節(jié)點(diǎn)之間互不相連，而層與層之間全互聯(lián)。輸入層和輸出層的節(jié)點(diǎn)個(gè)數(shù)由輸入、輸出向量的維數(shù)決定，隱含層節(jié)點(diǎn)個(gè)數(shù)沒(méi)有確定的標(biāo)準(zhǔn)，需通過(guò)反復(fù)試驗(yàn)確定。理論表明，三層BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何連續(xù)函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖1所示。因此，本文采用三層BP神經(jīng)網(wǎng)絡(luò)對(duì)廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量進(jìn)行預(yù)測(cè)分析。

1.2 BP神經(jīng)網(wǎng)絡(luò)的算法

BP算法也稱(chēng)誤差反向傳播算法，它通過(guò)對(duì)各層之間神經(jīng)元連接權(quán)值的反復(fù)學(xué)習(xí)，減小誤差，得到最終的神經(jīng)網(wǎng)絡(luò)模型。對(duì)于如圖1所示的三層神經(jīng)網(wǎng)絡(luò)，其算法計(jì)算步驟[5]如下：

（1）采用最小隨機(jī)數(shù)方法初始化所有的加權(quán)系數(shù)；

（2）提供輸入向量[x1，x2，…，xn]和輸出向量[y1，y2，…，ym]作為網(wǎng)絡(luò)訓(xùn)練樣本；

（3）計(jì)算各神經(jīng)元的實(shí)際輸出，如式（1）

（1）

（4）計(jì)算實(shí)際輸出值與期望值的誤差，如式（2）

（2）

（5）修正輸出層的權(quán)值Wim及隱含層的權(quán)值Wni；

（6）判斷是否滿(mǎn)足誤差要求（J≤ε），若滿(mǎn)足則結(jié)束，不滿(mǎn)足則返至第3步，直到滿(mǎn)足誤差要求。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2 BP神經(jīng)網(wǎng)絡(luò)在廣東省第三產(chǎn)業(yè)就業(yè)人口預(yù)測(cè)中的應(yīng)用2.1 樣本選取與預(yù)處理

本文以廣東省2004—2015年的就業(yè)人員年末人數(shù)為建模樣本，進(jìn)行預(yù)測(cè)研究，樣本數(shù)據(jù)如表1所示。

為了提高樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)的正確應(yīng)答能力，需要將構(gòu)造樣本中原始數(shù)據(jù)作歸一化預(yù)處理，采用線(xiàn)性歸一處理方法，即：

（3）

式中：i=1，2，…，，n；xi代表第i個(gè)樣本的取值大?。籱in（x）為所有樣本數(shù)據(jù)中的最小值；max（x）為所有樣本數(shù)據(jù)中的最大值。x'i的取值范圍為0～1。人口預(yù)測(cè)完畢后，再將歸一化后的數(shù)據(jù)按照反歸一化處理。

數(shù)據(jù)來(lái)源：《廣東省統(tǒng)計(jì)年鑒》，2016年版，廣東省統(tǒng)計(jì)局編，中國(guó)統(tǒng)計(jì)出版社出版。

2.2 預(yù)測(cè)廣東省第三產(chǎn)業(yè)就業(yè)人口的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

本文利用SPSS軟件對(duì)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從2004年開(kāi)始進(jìn)行樣本輸入，每4年樣本作為一組，樣本數(shù)據(jù)共分為9組，每組中：前3年的數(shù)據(jù)作為輸入，第4年作為輸出。9組樣本數(shù)據(jù)中，前6組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，后3組用于檢驗(yàn)預(yù)測(cè)結(jié)果，訓(xùn)練數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)如表2—3所示。

模型選用常見(jiàn)的3層結(jié)構(gòu)，分別為輸入層、隱含層和輸出層。輸入層有3個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元，隱含層神經(jīng)元經(jīng)試算為20個(gè)。通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型相關(guān)參數(shù)的不斷試驗(yàn)和調(diào)整，最終確定了隱藏層采用logsig傳遞函數(shù)，輸出層采用purelin傳遞函數(shù)，網(wǎng)絡(luò)訓(xùn)練算法采用traingd，選擇5 000作為最大訓(xùn)練次數(shù)，0.001作為目標(biāo)誤差值，0.05作為初始學(xué)習(xí)率。在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型前，需要按照公式（3）對(duì)所有輸入數(shù)據(jù)進(jìn)行歸一化處理，輸出數(shù)據(jù)后再進(jìn)行反歸一化處理。實(shí)際值與預(yù)測(cè)值對(duì)比如表4所示。

由表4可知，所建立的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)2007—2012年廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量時(shí)，最大誤差不超過(guò)5.26%，表明預(yù)測(cè)值與實(shí)測(cè)值之間有著很好的擬合精度，說(shuō)明該模型可以良好地預(yù)測(cè)廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量。

2.3 BP神經(jīng)網(wǎng)絡(luò)對(duì)廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量的預(yù)測(cè)

通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)廣東省2013—2015年第三產(chǎn)業(yè)就業(yè)人口數(shù)量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果為2013年人口數(shù)量為2 150.82萬(wàn)人，2014年人口數(shù)量為2 238.15萬(wàn)人，2015年人口數(shù)量為2 272.47萬(wàn)人，預(yù)測(cè)值與實(shí)際值對(duì)比如圖2所示。

從圖2可以看出，預(yù)測(cè)值與實(shí)測(cè)值都較為均勻地分布在1∶1線(xiàn)附近，兩者之間的決定系數(shù)R2=0.986 5，表明預(yù)測(cè)值與實(shí)測(cè)值之間有著很好的擬合精度，再一次驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)良好的預(yù)測(cè)能力。

3 結(jié)語(yǔ)

（1）本文以2004—2012年廣東省第三產(chǎn)業(yè)年末就業(yè)人數(shù)為依據(jù)，利用神經(jīng)網(wǎng)絡(luò)建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

（2）利用SPSS軟件對(duì)所建立的模型進(jìn)行學(xué)習(xí)訓(xùn)練，并對(duì)2013—2015年廣東省第三產(chǎn)業(yè)就業(yè)人口數(shù)量進(jìn)行了預(yù)測(cè)。

（3）結(jié)果表明，本文所建模型行之有效，在廣東省第三產(chǎn)業(yè)就業(yè)人數(shù)預(yù)測(cè)方面具有較好的擬合度，具有廣闊的應(yīng)用前景。但是，BP神經(jīng)網(wǎng)絡(luò)是一個(gè)復(fù)雜網(wǎng)絡(luò)，由于其涉及隱含層節(jié)點(diǎn)個(gè)數(shù)難以確定、易陷入局部極小點(diǎn)等問(wèn)題，在之后研究中，需要不斷完善該模型，以增加預(yù)測(cè)精度。另外，要訓(xùn)練出更為精準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)模型，亦需要多年數(shù)據(jù)的支撐，以進(jìn)一步提高本文方法的適用性。

[參考文獻(xiàn)]

[1]何運(yùn)村，張柱華.灰色理論及神經(jīng)網(wǎng)絡(luò)在就業(yè)預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)與數(shù)字工程，2008（8）：154-156.

[2]馬丹丹，于占龍，劉越.BP神經(jīng)網(wǎng)絡(luò)在大學(xué)畢業(yè)生就業(yè)率預(yù)測(cè)中的研究與應(yīng)用[J].佳木斯大學(xué)學(xué)報(bào)，2014（5）：751-753.

[3]李戰(zhàn)江，曹海燕.使用ARIMA模型對(duì)內(nèi)蒙古GDP進(jìn)行時(shí)序建模及預(yù)測(cè)[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2008（2）：173-175.

[4]王建府.滬津GDP增長(zhǎng)回歸模型比較及發(fā)展前景研究[J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)，2005（3）：121-123.

[5]吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2007.