基于BP神經(jīng)網(wǎng)絡(luò)的勞動者工資收入模型

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(luò)；時間序列分析；霍特線性趨勢；ARIMA（0，1，0）

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2023）12-0013-03

0 引言

中華全國總工會進(jìn)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?！坝霉せ摹彼坪醭闪艘环N新風(fēng)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(jì)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(luò)的工資調(diào)整幅度模型

建立勞動者工資收入上漲幅度標(biāo)準(zhǔn)，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(luò)利用2006—2015年的數(shù)據(jù)對“十三五”期間的工資進(jìn)行預(yù)測，而后搜索數(shù)據(jù)尋找“十三五”期間的真實指標(biāo)數(shù)據(jù)與工資情況并與預(yù)測結(jié)果進(jìn)行比較，探求其合理性。

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

minS = SEE²（1）

式中，SEE²代表網(wǎng)絡(luò)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(luò)學(xué)習(xí)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(yù)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(jìn)行縱向預(yù)測[2]，結(jié)合國家決策與規(guī)劃，利用BP神經(jīng)網(wǎng)絡(luò)對勞動者工資進(jìn)行橫向預(yù)測。

Step1：縱向——時間序列分析預(yù)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(yù)測精確度高，操作簡單且適用于短期預(yù)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(jìn)行差分處理，將其轉(zhuǎn)換為平穩(wěn)時間序列后進(jìn)行分析預(yù)測。

Step2：橫向——BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)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(jì)水平、政府購買、財政收入與人民幣匯率預(yù)測結(jié)果，帶入上文中建立的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)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(jì)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(luò)對上述結(jié)果進(jìn)行橫向預(yù)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(biāo)，居民人均可支配收入增長要實現(xiàn)與國家經(jīng)濟(jì)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(jì)水平增長近似同步[4]，符合實際，預(yù)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(luò)進(jìn)行殘差分析，對其訓(xùn)練情況進(jìn)行分析檢驗。

訓(xùn)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(rèn)為模型預(yù)測效果較好，模型具有較強(qiáng)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(luò)具有一般神經(jīng)網(wǎng)絡(luò)的優(yōu)點，在已知數(shù)據(jù)訓(xùn)練集的條件下，訓(xùn)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(yù)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(yù)測所需要的數(shù)據(jù)。

3） 本文運(yùn)用SPSS、Stata、Excel等多種數(shù)學(xué)軟件進(jìn)行計算，取長補(bǔ)短，使計算結(jié)果更加準(zhǔn)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(luò)的重現(xiàn)性很差，有可能會出現(xiàn)訓(xùn)練失敗的可能性，需要多次進(jìn)行訓(xùn)練，耗時較長。

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

4.3 模型的改進(jìn)

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

2） 采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法或是其他較好的機(jī)器學(xué)習(xí)算法以此最大程度上減少訓(xùn)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(jìn)一步推廣至工業(yè)、農(nóng)業(yè)、服務(wù)業(yè)發(fā)展的相關(guān)因素影響分析當(dāng)中。

5 結(jié)束語

本文所設(shè)計和實現(xiàn)的勞動者工資收入預(yù)測模型是基于BP神經(jīng)網(wǎng)絡(luò)的，考慮了較多影響指標(biāo)，運(yùn)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(yīng)用價值，在求解其他相關(guān)性模型與預(yù)測模型中普遍適用。