基于灰色关联度的陕西省就业结构分析.docVIP

基于灰色关联度的陕西省就业结构分析 　　[摘 要] 将灰色关联理论系统引进陕西就业结构分析中，运用灰色关联度分析法和GM（1，1）预测模型，预测陕西省就业人口总数，计算2005-2011年内陕西省就业结构灰色关联度，在此基础上分析陕西省就业结构现状和动态变化，找出就业结构的优势因素和劣势因素，提出稳定第三产业就业，其对就业总人数影响更大。 　　[关键词] 灰色预测；灰色关联度分析；就业结构；就业吸纳力 　　【中图分类号】 F22 【文献标识码】 A 【文章编号】 1007-4244（2014）03-085-2 　　一、引言 　　就业结构又称社会劳动力配置结构，通常是指国民经济各部门所占用的劳动力数量、比例及其相互关系。它反映国民经济的总体发展水平以及社会劳动力资源投入方向的总体状况，在国民经济全局运行和就业活动中具有极为重要的意义。就业结构在一定程度上决定着经济结构的其他方面。 　　李钊和王舒健（2003）分析了对外贸易对就业数量以及就业结构俩方面的影响。刘秀梅、田维明（2007）的研究表明，农村劳动力由从事农业转向从事非农产业，导致农村劳动力边际生产力的明显改善，农村劳动力转移是促进国民经济增长的重要方面。 　　本文从灰色理论出发，运用GM（1，1）模型对陕西省就业人口总数进行预测，用灰色关联理论对陕西省就业结构进行动态分析。 　　二、灰色关联模型及GM（1，1）预测基本原理 　　（一）灰色预测，是指对系统行为特征值的发展变化进行的预测，对既含有已知信息又含有不确定信息的系统进行的预测，也就是对在一定范围内变化的、与时间序列有关的灰过程进行预测。尽管灰过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此得到的数据集合具备潜在的规律。灰色预测是利用这种规律建立灰色模型对灰色系统进行预测。目前使用最广泛的灰色预测模型就是关于数列预测的一个变量、一阶微分的GM（1，1）模型。设有原始数据列x（0）=（x（0）（1），x（0）（2），…，x（0）（n）），n为数据个数。如果根据x（0）数据列建立GM（1，1）来实现预测功能，则基本步骤如下： 　　（1）原始数据累加以便弱化随机序列的波动性和随机性，得到新数据序列：x（1）={x（1）（1），x（1）（2），…，x（1）（n）}其中，x（1）（t）中各数据表示对应前几项数据的累加。■，x（1）（t）=，t=1，2，…，n 　　（2）对x（1）（t）建立下述一阶线性微分方程：即GM（1，1）模型。其中，a，u为待定系数，分别称为发展系数和灰色作用量，a的有效区间是（-2，2），并记a，u构成的矩阵为灰参数。 　　（3）对累加生成数据做均值生成B 与常数项向量Yn，即 　　（4）用最小二乘法求解灰参数，则=（BTB）-1BTYn 　　（5）将灰参数进行求解，得 　　由于是通过最小二乘法求出的近似值，所以（1）（t+1）是一个近似表达式，为了与原序列x（1）（t+1）区分开来，故记为（1）（t+1）。 　　通过计算GM（1，1）模型的均方差比值C和小误差概率p来判断精度。一般模型精度好时，C越大p越小，通常认为p0.95和C0.35时，模型可靠，这时此模型对系统行为可以进行合理预测。 　　（二）灰色关联模型 　　灰色关联分析方法的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密，曲线越接近，相应序列之间的关联度就越大，反之就越小。 　　具体计算步骤如下：（1）确定分析的样本序列在对研究问题定性分析的基础上，确定一组比较序列和一个参考序列。设有用m个指标和n个样本组成的比较序列，原始数据构成比较序列，设参考序列。将比较序列和参考序列和在一起构成阶矩阵。 　　（2）对序列数据进行无量纲化处理一般情况下，原始变量序列具有不同的量纲或数量级，为了便于比较，保证分析结果的可靠性，需要对变量序列进行无量纲化。无量纲化后形成如下矩阵：X== 　　（3）计算关联度根据灰色关联度分析基本原理，计算n组比较序列m个指标的关联系数。 　　，j=1，2，…m；k=1，2，…n式中：ρ为分辨系数，在[0，1]内取值。一般情况下在0.1至0.5取值，ρ越小越能提高关联系数间的差异；为第Xj个样本与参考值X0第k个指标的关联系数；Xj（K）和X0（K）分别为参照值X0与第j个样本Xj的第k个指标；为X0与Xj的绝对差，为两极最小差，为两极最大差。综合考虑指标的权重，则各样本的综合关联度为指标关联系数与权重的乘积之和，j=1，2，…n；k=1，2，…m，通常w（k）=1/n 　　（4）依关联度排序对各比较序列与参考序列的关联度从大到小排序，关联度越大，说明比较序列与参考序列变化的态势越一致。 　　三、实证分析 　　（一）根据前述GM（1，