基于多指标和SOS-SVM的失业预警研究

刘芳

摘 要：为实现高精度的失业预警和为劳动保障部门进行失业预警提供理论参考和方法依据，从市场维度、职业维度、企业维度、行业维度、区域维度和群体维度等6个维度构建出一套失业预警指标体系，并针对支持向量机模型性能受惩罚参数和核参数的影响，运用共生生物搜索算法对SVM模型参数进行优化选择，建立基于多指标和SOS-SVM的失业预警模型。与PSO-SVM和SVM对比发现，SOS-SVM进行失业预警具有更高的准确率。

关键词： 支持向量机; 共生生物搜索算法; 失业预警; 粒子群算法; 评价指标

中图分类号： TP 391

文献标志码： 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

随着经济的发展和供给侧改革的推进，经济环境的变化对失业情况的影响尚未明确，建立失业预警模型对预测未来失业情况以及提出应对措施具有重要的现实意义和理论价值[1]。目前，失业预警的研究重点主要集中于两个方面，分别为失业预警指标体系和失业预警。由于失业状态受到多种因素的影响，以往研究失业预警的指标体系存在不完善、考虑的因素不全面的缺点;在研究失业预警模型方面，采用机器学习模型预测失业状态的文献较少[2-3]。针对上述缺点，为实现高精度的失业预警，从市场维度、职业维度、企业维度、行业维度、区域维度和群体维度等6个维度构建出一套失业预警指标体系，并针对支持向量机（support vector machine，SVM）模型性能受惩罚参数和核参数的影响进行研究，通过SOS算法（共生生物搜索算法）对所建立的SVM模型参数实施优化，获得优化后的模型参数，最终建立基于多指标和SOS-SVM的失业预警模型。与PSO-SVM和SVM对比发现，SOS-SVM进行失业预警具有更高的准确率，为劳动保障部门进行失业预警提供理论参考和方法依据。

1 失业预警指标

为了实现高精度的失业预警，在参考文献[4-5]的基础上，从市场维度、职业维度、企业维度、行业维度、区域维度和群体维度等6个维度构建出一套失业预警指标体系，失业预警指标体系，如图1所示。

市场维度主要包括从业人数、失业人数、企业岗位数和求职者登记数;企业维度、行业维度和职业维度等包括企业数和从业人数;区域维度主要包括城区、街道和社区;群體维度包括大学生、本地城镇人员、农民工和外地城镇人员。

2 共生生物搜索算法

SOS算法属于智能模拟算法，可以有效地模拟生物之间存在的共生关系。通过生物界种群内部不同个体之间存在的合作和竞争关系来实现参数的优化，其算法的具体步骤为[6-7]：

Step1种群初始化：随机产生N个生物个体，如式（1）。

4 试验与结果分析

4.1 数据来源

为了验证SOS-SVM进行失业预警的有效性和可靠性，将失业警度分为无警、轻警、中警和重警4个等级[10-11]。选择2016年1月～2017年8月共20个月我国城镇失业登记率数据为研究对象，不同失业警度含义解释，如表1所示。

为了更加直观地预报不同类型的失业警度，将失业警度分别用横线、竖线、右斜线和左斜线表示，失业警度评价标准，如表2所示。

根据失业警度数据，每月评价1次，20个月的失业警度曲线，如图2所示。以评价序号1为例，其评价分值57.19，其含义为2016年1月失业警度综合得分为57.19，由表2失业警度评价标准，该月失业警度为中警。

4.2 评价指标

由图3失业状态预警结果图可知，与PSO-SVM和SVM相比，SOS-SVM的预警曲线与实际失业状态曲线的一致性更高。由表3失业预警结果可知，在评价指标TIC和MAPE上，SOS-SVM模型的MAPE和TIC分别为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，说明SOS-SVM进行失业预警具有更高的准确率，为劳动保障部门进行失业预警提供理论参考和方法依据。