基于多指標和SOS-SVM的失業預警研究

劉芳

摘 要：為實現高精度的失業預警和為勞動保障部門進行失業預警提供理論參考和方法依據，從市場維度、職業維度、企業維度、行業維度、區域維度和群體維度等6個維度構建出一套失業預警指標體系，并針對支持向量機模型性能受懲罰參數和核參數的影響，運用共生生物搜索算法對SVM模型參數進行優化選擇，建立基于多指標和SOS-SVM的失業預警模型。與PSO-SVM和SVM對比發現，SOS-SVM進行失業預警具有更高的準確率。

關鍵詞： 支持向量機; 共生生物搜索算法; 失業預警; 粒子群算法; 評價指標

中圖分類號： TP 391

文獻標志碼： A

Abstract： In order to achieve high precision of unemployment warning， a set of unemployed early-warning index system is established. The system can be used to provide theoretical reference and method basis for the department of labor security. The system is built with six dimensions i.e.， market dimension， professional dimension， enterprise dimensions， industry dimension， social dimension and communal dimension. Because the penalty parameter and kernel parameter of support vector machine may be influenced， symbiosis biological search algorithm is used to optimize the parameters of the SVM mode. Based on multi-index and SOS the unemployed early-warning model is constructed by SVM. Compared with PSO-SVM and SVM， it is found that SOS-SVM has a higher accuracy for unemployment warning.

Key words： support vector machine; symbiotic organisms search algorithm; unemployment warning; particle swarm optimization algorithm; evaluation indexes

0 引言

隨著經濟的發展和供給側改革的推進，經濟環境的變化對失業情況的影響尚未明確，建立失業預警模型對預測未來失業情況以及提出應對措施具有重要的現實意義和理論價值[1]。目前，失業預警的研究重點主要集中于兩個方面，分別為失業預警指標體系和失業預警。由于失業狀態受到多種因素的影響，以往研究失業預警的指標體系存在不完善、考慮的因素不全面的缺點;在研究失業預警模型方面，采用機器學習模型預測失業狀態的文獻較少[2-3]。針對上述缺點，為實現高精度的失業預警，從市場維度、職業維度、企業維度、行業維度、區域維度和群體維度等6個維度構建出一套失業預警指標體系，并針對支持向量機（support vector machine，SVM）模型性能受懲罰參數和核參數的影響進行研究，通過SOS算法（共生生物搜索算法）對所建立的SVM模型參數實施優化，獲得優化后的模型參數，最終建立基于多指標和SOS-SVM的失業預警模型。與PSO-SVM和SVM對比發現，SOS-SVM進行失業預警具有更高的準確率，為勞動保障部門進行失業預警提供理論參考和方法依據。

1 失業預警指標

為了實現高精度的失業預警，在參考文獻[4-5]的基礎上，從市場維度、職業維度、企業維度、行業維度、區域維度和群體維度等6個維度構建出一套失業預警指標體系，失業預警指標體系，如圖1所示。

市場維度主要包括從業人數、失業人數、企業崗位數和求職者登記數;企業維度、行業維度和職業維度等包括企業數和從業人數;區域維度主要包括城區、街道和社區;群體維度包括大學生、本地城鎮人員、農民工和外地城鎮人員。

2 共生生物搜索算法

SOS算法屬于智能模擬算法，可以有效地模擬生物之間存在的共生關系。通過生物界種群內部不同個體之間存在的合作和競爭關系來實現參數的優化，其算法的具體步驟為[6-7]：

Step1種群初始化：隨機產生N個生物個體，如式（1）。

4 試驗與結果分析

4.1 數據來源

為了驗證SOS-SVM進行失業預警的有效性和可靠性，將失業警度分為無警、輕警、中警和重警4個等級[10-11]。選擇2016年1月～2017年8月共20個月我國城鎮失業登記率數據為研究對象，不同失業警度含義解釋，如表1所示。

為了更加直觀地預報不同類型的失業警度，將失業警度分別用橫線、豎線、右斜線和左斜線表示，失業警度評價標準，如表2所示。

根據失業警度數據，每月評價1次，20個月的失業警度曲線，如圖2所示。以評價序號1為例，其評價分值57.19，其含義為2016年1月失業警度綜合得分為57.19，由表2失業警度評價標準，該月失業警度為中警。

4.2 評價指標

由圖3失業狀態預警結果圖可知，與PSO-SVM和SVM相比，SOS-SVM的預警曲線與實際失業狀態曲線的一致性更高。由表3失業預警結果可知，在評價指標TIC和MAPE上，SOS-SVM模型的MAPE和TIC分別為4.596 1和0.023 5，其低于PSO-SVM模型的6.744 1和0.036 7以及SVM模型的8.537 2和0.045 4，說明SOS-SVM進行失業預警具有更高的準確率，為勞動保障部門進行失業預警提供理論參考和方法依據。