组合模型及半参数模型在安徽省失业率实证分析中的应用

作     者：郑婉迪 

作者单位：安徽建筑大学 

学位级别：硕士

导师姓名：刘斌

授予年度：2023年

学科分类：02[经济学] 0201[经济学-理论经济学] 020106[经济学-人口、资源与环境经济学] 07[理学] 070104[理学-应用数学] 0701[理学-数学] 

主      题：失业率 乡村隐性失业率 变量筛选 可加部分线性模型 影响因素 

摘      要：党的二十大强调“就业是最基本的民生。这表明就业不仅具有重要的经济意义,而且深刻地影响着社会关系。失业率作为衡量就业状况的重要指标,一直是学者们研究的热点课题。2020年安徽省城镇登记失业率在31个省域中排第24位,处于中等层次,具有代表性。本文以安徽省为例,对其实际失业率进行估算,利用组合预测模型、变量筛选模型、可加部分线性模型,探讨了安徽省估算的实际失业率及其影响因素之间的关系。主要研究内容和结论包括以下几个方面:(1)在失业率估算方面,针对安徽省的省域特色,将乡村隐性失业率纳入研究范围。选取1995—2020年的相关数据,估算了包括城镇实际失业率和乡村隐性失业率的总失业率,其中,城镇实际失业率是采用经济和人口改进的调整系数法进行估算的,乡村隐性失业率则借鉴了中国社科院王诚提出的乡村劳动力流向的计算方法进行估算,估算结果显示:安徽省总失业率自1995年的28.33%到2020年的7.62%下降了四分之三。为提高实证分析的可靠程度,对比了估算失业率与人口普查失业率数据,对比结果表明,估算后的失业率数据相比城镇登记失业率更加符合安徽省的实际用工情况。(2)基于估算后的安徽省实际失业率,建立时间序列模型,进行短期预测;选择十五个相关指标进行线性关系检验,挑出与失业率线性关系较强的七个变量,通过逐步回归建立失业率的最小二乘回归(OLS)模型;比较两种模型,时间序列模型所需数据较少,OLS模型预测精度更高,于是引入广义加权平均灰色关联组合预测模型,通过该模型聚集这两种基准模型的优点。(3)综述了套索算法(Lasso)、自适应套索算法(Adaptive Lasso)、弹性网络这三种基于惩罚项的变量筛选方法以及可加部分线性模型在公式、适用情况及优缺点等方面的知识。针对基准模型存在的不足,使用三种变量筛选方法对文中多个指标进行筛选,分析比较三者的均方误差,自适应Lasso最小,即它的筛选效果最佳。用筛选后的指标建立可加部分线性模型,明确了各有效指标对失业率的影响力。研究表明:可加部分线性模型中居民消费价格指数、财政收入增长速度和职工平均工资指数对失业率的影响均具有显著的非线性,即同一因素在不同区间对失业率的影响有明显差异;可加部分线性模型能有效解决OLS模型中部分系数不符等问题,其各项评价指标均优于OLS模型,模型能够更好地反映实际情况。