高梓軒　楊艷秋　秦四通　曹亞凱　王雨琪

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡；時間序列分析；霍特線性趨勢；ARIMA（0，1，0）

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2023）12-0013-03

0 引言

中華全國總工會進行的一項研究報告顯示，中國勞動力收入占GDP 的比重已經(jīng)連續(xù)下降了27年之余。“用工荒”似乎成了一種新風潮，在全國范圍蔓延。勞動力工資收入是我們主要關(guān)注的一種基本收入，提高工人工資、勞動報酬不僅刻不容緩，還是一場持久戰(zhàn)。

提高勞動者的工資收入影響因素很多且受各方面的影響較大，提高工資收入不可過慢、過快，需要根據(jù)實際經(jīng)濟發(fā)展情況作出實時調(diào)整，必須適時適度。

1 基于BP 神經(jīng)網(wǎng)絡的工資調(diào)整幅度模型

建立勞動者工資收入上漲幅度標準，探究“十三五”期間工資上漲幅度的合理性。探究其合理性，我們引入BP神經(jīng)網(wǎng)絡利用2006—2015年的數(shù)據(jù)對“十三五”期間的工資進行預測，而后搜索數(shù)據(jù)尋找“十三五”期間的真實指標數(shù)據(jù)與工資情況并與預測結(jié)果進行比較，探求其合理性。

BP神經(jīng)網(wǎng)絡又稱為誤差反向傳播神經(jīng)網(wǎng)絡，是一種可實現(xiàn)多層精準預測的前向行神經(jīng)網(wǎng)絡。其原理主要為以網(wǎng)絡的誤差平方和為目標函數(shù)，采用梯度下降的方法計算目標函數(shù)的最小值[1]。

minS = SEE²（1）

式中，SEE²代表網(wǎng)絡誤差平方和。

X₁，X₂，…X_m為輸入層m 個輸入，隱含層有q 個神經(jīng)元，W₁₁，W₁₂，…W_sq 為隱含層q 個神經(jīng)元與輸出層s 個神經(jīng)元之前的權(quán)值，Y₁，Y₂，…Y_m為輸出層s 個輸出。BP神經(jīng)網(wǎng)絡學習過程有信號正向傳播與誤差反向傳播兩個過程，如圖1所示。

2 基于時間序列分析的橫縱向工資預測模型

2.1 模型的建立

對于“十四五”期間的工資調(diào)整的幅度前景分析，本文引入時間序列分析對主要因素進行縱向預測[2]，結(jié)合國家決策與規(guī)劃，利用BP神經(jīng)網(wǎng)絡對勞動者工資進行橫向預測。

Step1：縱向——時間序列分析預測主要因素的大小

ARIMA（Z，V，O）模型即差分自回歸移動平均模型，該模型具有預測精確度高，操作簡單且適用于短期預測的特點。該模型中Z為自回歸的回歸項數(shù)，V為滑動平均的項數(shù)，O為非平穩(wěn)序列轉(zhuǎn)為平穩(wěn)序列的差分次數(shù)[3]。

首先需要對數(shù)據(jù)進行差分處理，將其轉(zhuǎn)換為平穩(wěn)時間序列后進行分析預測。

Step2：橫向——BP 神經(jīng)網(wǎng)絡模型預測工資收入

將通過時間序列分析得出的期間的國家經(jīng)濟水平、政府購買、財政收入與人民幣匯率預測結(jié)果，帶入上文中建立的BP神經(jīng)網(wǎng)絡模型中進行訓練，最終得到“十四五”期間的工資上漲幅度大小。

2.2 模型的求解

利用上述時間序列模型，人民幣匯率采用簡單指數(shù)平滑法，政府購買采用霍特線性趨勢模型，國家經(jīng)濟水平與財政收入采用ARIMA（0，1，0）模型。最終得出在“十四五”期間的數(shù)據(jù)如表1所示。

利用BP神經(jīng)網(wǎng)絡對上述結(jié)果進行橫向預測，得到勞動者工資收入結(jié)果如表2所示。

根據(jù)“十四五”期間國家決策與規(guī)劃目標，居民人均可支配收入增長要實現(xiàn)與國家經(jīng)濟水平增長基本同步。根據(jù)所得出的結(jié)果，工資收入與國家經(jīng)濟水平增長近似同步[4]，符合實際，預測結(jié)果較好。

3 模型的分析與檢驗

本文對BP神經(jīng)網(wǎng)絡進行殘差分析，對其訓練情況進行分析檢驗。

訓練結(jié)果殘差分析如圖2所示，觀察殘差圖得到，第4個數(shù)據(jù)殘差較其他殘差值過于大，我們分析該點為一個異常值點。但其他殘差均無太大波動，且對稱地在0值上下波動。我們分析該異常值點，發(fā)現(xiàn)該年人民幣匯率是10年內(nèi)最大的，所以發(fā)生較大偏移，但整體殘差值分布較好，可認為模型預測效果較好，模型具有較強穩(wěn)定性[5]。

4 總結(jié)與展望

4.1 模型的優(yōu)點

1） 采用BP神經(jīng)網(wǎng)絡具有一般神經(jīng)網(wǎng)絡的優(yōu)點，在已知數(shù)據(jù)訓練集的條件下，訓練后的分類器具有比較好的穩(wěn)定性和泛化能力，能夠較好地預測未來勞動者工資收入。

2） 采用時間序列分析能夠動態(tài)處理數(shù)據(jù)，提供預測所需要的數(shù)據(jù)。

3） 本文運用SPSS、Stata、Excel等多種數(shù)學軟件進行計算，取長補短，使計算結(jié)果更加準確。

4.2 模型的缺點

1） 在初步選取時主觀因素較大，未考慮地域分布、產(chǎn)業(yè)結(jié)構(gòu)等因素對勞動者工資收入的影響。

2） BP神經(jīng)網(wǎng)絡的重現(xiàn)性很差，有可能會出現(xiàn)訓練失敗的可能性，需要多次進行訓練，耗時較長。

3） 未考慮突發(fā)事件如戰(zhàn)爭、經(jīng)濟危機等的影響，模型應對特殊事件的能力不佳。

4.3 模型的改進

1） 在本文建立的模型當中加入地域分布、產(chǎn)業(yè)結(jié)構(gòu)以及應對特殊事件能力等的因素，使模型更加合理化。

2） 采用改進的BP神經(jīng)網(wǎng)絡算法或是其他較好的機器學習算法以此最大程度上減少訓練失敗的可能性。

4.4 模型的展望

依據(jù)本文所建立的模型，可以進一步推廣至工業(yè)、農(nóng)業(yè)、服務業(yè)發(fā)展的相關(guān)因素影響分析當中。

5 結(jié)束語

本文所設計和實現(xiàn)的勞動者工資收入預測模型是基于BP神經(jīng)網(wǎng)絡的，考慮了較多影響指標，運用多個模型綜合求解了勞動者工資收入的上漲情況，具有實際應用價值，在求解其他相關(guān)性模型與預測模型中普遍適用。