張曰婷

摘要：基于江蘇省2000-2017三次產業(yè)結構和就業(yè)人數統計相關數據，利用成分數據分析方法對其進行降維，結合灰色預測GM（1，1）構建江蘇省三次產業(yè)結構預測模型和就業(yè)需求預測模型，分析產業(yè)結構與就業(yè)需求之間的關系。經檢驗，預測模型具有較高的擬合精度，結果表明，產業(yè)結構與就業(yè)需求存在一定的關系。

Abstract： Based on the statistical data of industrial structure and employment in Jiangsu Province from 2000 to 2017， this paper uses component data analysis method to reduce the dimension of industrial structure and employment demand prediction model in Jiangsu Province， combining grey prediction GM （1，1）， and analyses the relationship between industrial structure and employment demand. The results show that there is a certain relationship between industrial structure and employment demand.

關鍵詞：成分數據;就業(yè)需求;灰色模型

Key words： compositional data;employment demand;Grey Model

中圖分類號：F224;F249.21 ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2019）13-0060-04

0 ?引言

隨著社會經濟改革的不斷發(fā)展與壯大，勞動力就業(yè)市場的供求關系發(fā)生了較大變化，各次產業(yè)間的產業(yè)結構和就業(yè)需求也發(fā)生了一定的變動，現有的勞動力供給狀況并不能滿足產業(yè)發(fā)展的需要，就業(yè)市場出現了一系列問題，如何把握勞動力市場就業(yè)需求趨向、穩(wěn)定就業(yè)，已成為迫切需要解決的問題，產業(yè)結構與就業(yè)需求的預測具有重要的現實意義。

很多因素都與就業(yè)需求存在一定的關聯，諸如種族、教育、性別[1]、求職強度[2]等，Wang（2019）運用c-lasso模型，研究美國最低工資水平與就業(yè)率的關系[3];秦夢迪（2018）以德國人口普查數據和聯邦就業(yè)調查數據為基礎，研究就業(yè)產業(yè)空間關系、就業(yè)年齡空間關系和就業(yè)通勤空間的關系分析方法[4]，而社會資本與人力資本對城鎮(zhèn)居民就業(yè)質量也會造成一定影響[5][6];王莉（2017）基于協調發(fā)展這一視角，分析就業(yè)結構轉變和城鎮(zhèn)化水平之間的關系，并以1979-2014年數據對我國的就業(yè)結構與城鎮(zhèn)化進行實證分析[7];賀凌基于2013年和2015年全國高校畢業(yè)生就業(yè)狀況調查數據，對高校畢業(yè)生的就業(yè)落實情況、就業(yè)起薪的專業(yè)和性別差異進行實證分析[8]。

目前常用的預測方法有二十多種，比如BP神經網絡法[9]、多元線性回歸預測法[10]、灰色預測模型法[11][12]、ARIAM模型[13]等，除此以外，程昌品（2010）提出了一種基于信息增益比的決策樹法對畢業(yè)生就業(yè)進行預測[14]，Wang（2007）和郭麗娟（2016）分別提出了兩種降維法，解決了長期預測組合數據的困難[15][16];雪婧（2016）提出基于灰色系統理論的就業(yè)預測模型，并采用非線性映射法將經濟下行區(qū)間下內蒙古就業(yè)結構數據轉換為轉角數據從而預測[17];李國鋒（2009）采用成分數據建模，構建了山東省三次產業(yè)就業(yè)結構預測模型和偏最小二乘通經分析模型，并對山東省的三次產業(yè)結構進行預測分析，分析三次產業(yè)就業(yè)需求結構與產業(yè)投資結構、三次產業(yè)產值結構之間的關聯關系[18];單良（2018）運用“協調系數”和“標準差橢圓”模型，測度中國產業(yè)結構與就業(yè)結構協調性的時空演變特征[19]。以上方法為預測就業(yè)規(guī)模和結構提供了一定的借鑒，因此本文從產業(yè)結構預測與就業(yè)需求的預測的角度出發(fā)，在運用成分數據降維的基礎上建立灰色預測模型，分別對三次產業(yè)結構和就業(yè)需求進行預測，分析結構變化與就業(yè)增長的關系，試圖從中歸納出一般特征，從而對就業(yè)規(guī)模和結構進行預測和分析。

2 ?實證分析

改革開放以來，特別是近些年，隨著經濟的快遞發(fā)展，江蘇省產業(yè)結構發(fā)生了巨大變化，在產業(yè)結構演變發(fā)展的過程中，三次產業(yè)相應的勞動力就業(yè)構成逐漸由第一產業(yè)占優(yōu)勢而變成第二、三產業(yè)占優(yōu)勢，江蘇省就業(yè)總量的增長迅速與產業(yè)結構的變化始終有著一定的關系，黨和政府歷來都高度重視就業(yè)工作，從2002年以來，制定出臺了一系列政策措施。2009年12月，中央經濟工作會議指出：擴大就業(yè)是保障和改善民生的頭等大事。2010年初，中央提出要把促進就業(yè)放在經濟社會發(fā)展的優(yōu)先位置。2018年7月國家發(fā)展和改革委員會在新聞發(fā)布上公布我國上半年就業(yè)形勢穩(wěn)中向好，下一步將繼續(xù)推動“十三五”促進就業(yè)規(guī)劃目標。十九大報告更是明確指出要推動實現更高質量的就業(yè)。

2.1 產業(yè)結構預測

2017年我國的GDP總量首次突破80億元的門檻，江蘇省以8.59萬億緊追廣東省，而人均GDP、綜合競爭力和地區(qū)發(fā)展與民生指數均居全國各省第一，本文采用江蘇省2000-2017年三次產業(yè)的就業(yè)比重的數據來進行建模分析，全部數據來源于江蘇省統計局（http：//tj.jiangsu.gov.cn/index.html），見表1。

表1為江蘇省2000-2017年三次產業(yè)產值比重，江蘇省第一、第二、第三產業(yè)產值比重由2000年的12.2%、51.9%、35.9%逐步優(yōu)化，到2017年演變?yōu)?.7%、45.0%、50.3%，其中，第一產業(yè)產值比重不斷下降，第二產業(yè)產值比重在2000-2006年略有上升，此后呈下降趨勢，在2017年略有上浮，第三產業(yè)產值不斷呈現不斷上升的趨勢，從2015年起，第三產業(yè)的產值比重最大，首次超過第二產業(yè)，實現了產業(yè)結構的優(yōu)化轉型。

采用球坐標變換法對原始成分數據進行降維，通過公式（1）和公式（3）將成分數據轉化為角度數據，見表2。

2.3 分析結果對比

將產業(yè)結構與就業(yè)結構的真實值與預測值數據繪制在圖1，可以看出產業(yè)結構與就業(yè)結構之間存在一定的正相關關系，隨著第一產業(yè)GDP占比的下降，第一產業(yè)就業(yè)占比大幅度下降，而第二產業(yè)GDP占比呈現先上升后下降的趨勢，第二產業(yè)就業(yè)占比呈現緩慢上升，最終趨于平衡，第三產業(yè)GDP占比在近幾年內呈現迅猛上漲，而就業(yè)占比也穩(wěn)重有增，兩者之間的相互調整和演變過程推動了江蘇省經濟的發(fā)展，從2000-2017年中，隨著產業(yè)結構的不斷優(yōu)化，逐步從第二產業(yè)主導向第三產業(yè)主導演變，勞動力也逐漸從低效率生產部門向高效率生產部門轉化，在2015年時，第三產業(yè)GDP占比首次超過第二產業(yè)，運用灰色預測模型對2018-2022年的產業(yè)結構進行預測，結果表現產業(yè)結構最終趨于“三二一”結構。

從1998年起，由于國有企業(yè)改革，導致不少員工面臨下崗，從第一產業(yè)產生的勞動力直接向第二第三產業(yè)發(fā)展，因此從圖上可知，第二第三產業(yè)呈現大幅度上漲，隨著互聯網的發(fā)展以及產業(yè)結構的變化，第二和第三產業(yè)提供了大量的就業(yè)崗位，服務業(yè)的迅猛發(fā)展使得第一產業(yè)的規(guī)模不斷萎縮，預計未來第三產業(yè)將超越第二產業(yè)，而第一產業(yè)的就業(yè)占比將繼續(xù)下降。

3 ?結論

成分數據在社會、經濟、技術等眾多領域中都較為普遍，本文針對時間序列的成分數據，利用球坐標變換法對其進行降維，并分別建立產業(yè)結構預測模型和就業(yè)結構預測模型，用于分析成分數據隨時間的變化規(guī)律，通過對三次產業(yè)結構的發(fā)展趨勢的實證研究，展望中國產業(yè)結構的未來狀況，為進一步分析中國產業(yè)結構升級對經濟增長及就業(yè)起到的帶動作用。通過分析可知，江蘇省第三產業(yè)的產值比重和就業(yè)比重接近甚至超越第二產業(yè)，體現了發(fā)展中國家發(fā)展到了工業(yè)化中期的程度，在未來幾年中，江蘇省第二、三產業(yè)吸納勞動力的能力仍然不斷進步，但是其產業(yè)結構發(fā)展與現代化產業(yè)發(fā)展規(guī)律的要求還相差的較遠，同時與發(fā)達國家相比還有一定的差距，基本上符合生產發(fā)展規(guī)律，驗證了基于成分數據的預測模型在建模過程中成功的反映了數據的規(guī)律，具有一定的合理性。

雖然建模結果基本上符合發(fā)展規(guī)律，但預測本身存在的誤差無法避免。在實際預測過程中，由于國家的各種政策性因素會對數據造成一定的波動，導致原始數據受到一定的影響，使得預測模型精確度達不到預期的標準。因此只能盡量減少誤差，確保預測結果合理性，未來的研究中可以考慮引入濾波變換，剔除各種政策性因素對原始數據的干擾，進一步提高模型的預測精度。

參考文獻：

[1]Luciana Cassarino-Perez;Gemma Crous;Anouk Goemans;Carme Montserrat;Jorge Castellà Sarriera.Pathways from care to education and employment： A meta-analysis[J].Children and Youth Services Review， 2018.

[2]Da M V S P， Turban D B . Insight into job search self-regulation： Effects of employment self-efficacy and perceived progress on job search intensity[J]. Journal of Vocational Behavior， 2018， 108：57-66.

[3]Wuyi Wang， Peter C.B. Phillips， et al. The heterogeneous effects of the minimum wage on employment across states[J]， Economics Letters， 2019（174）： 179-185.

[4]秦夢迪，李京生.德國慕尼黑大都市區(qū)小城鎮(zhèn)就業(yè)空間關系研究[J].國際城市規(guī)劃，2018，33（06）：27-35.

[5]董芳，周江濤.提高就業(yè)質量：人力資本與社會資本孰輕孰重[J].經濟問題，2019（01）：35-40.

[6]劉瑩瑩，梁栩凌，張一名.新生代農民工人力資本對其就業(yè)質量的影響[J].調研世界，2018（12）：30-35.

[7]王莉，范徐飛.我國就業(yè)結構與城鎮(zhèn)化協調發(fā)展研究[J]. 農村經濟，2017（11）：75-80.

[8]賀凌，岳昌君.產業(yè)結構轉型背景下高校不同專業(yè)畢業(yè)生就業(yè)結果的性別差異——基于2013年和2015年全國高校抽樣調查數據的實證研究[J].中國高教研究，2018（07）：60-66.

[9]Nasruddin， Nyayu Aisyah， M.I Alhamid， Bidyut B. Saha， S. Sholahudin， Arnas Lubis，Solar Absorption Chiller Performance Prediction based on the Selection of Principal Component Analysis[J]，Case Studies in Thermal Engineering， 2019， 100391.

[10]Richárd Kicsiny.Black-box model for solar storage tanks based on multiple linear regression[J]. Renewable Energy.2018：857-865.

[11]Zheng-Xin Wang;Qin Li;Ling-Ling Pei.A seasonal GM（1，1） model for forecasting the electricity consumption of the primary economic sectors[J]. Energy， 2018：522-534.

[12]Wang J， Ma X， Wu J， et al. Optimization models based on GM （1， 1） and seasonal fluctuation for electricity demand forecasting[J]. International Journal of Electrical Power & Energy Systems， 2012， 43（1）：109-117.

[13]王先述.基于Cramer法則和ARMA模型的我國高校畢業(yè)生就業(yè)預測[J].統計與決策，2010，2010（22）：97-99.

[14]程昌品，陳強.基于信息增益比的決策樹用于畢業(yè)生就業(yè)預測[J].計算機仿真，2010，27（2）：299-302.

[15]Wang H ， Liu Q ， Mok H M K ， et al. A hyperspherical transformation forecasting model for compositional data[J]. European Journal of Operational Research， 2007， 179（2）： 459-468.

[16]郭麗娟，王惠文，關蓉.基于等距l(xiāng)ogratio變換的成分數據判別分析方法[J].系統工程，2016（2）：153-158.

[17]雪婧.經濟下行區(qū)間下內蒙古就業(yè)預測模型仿真分析[J]. 計算機仿真，2016，33（10）：174-177.

[18]李國鋒，劉黎明，陳緒根.山東省三次產業(yè)就業(yè)需求結構分析與預測研究[J].數理統計與管理，2009（3）：386-394.

[19]單良，張濤.中國產業(yè)結構與就業(yè)結構協調性時空演變研究[J].中國人口科學，2018（2）：39-49.