基于BP神经网络的劳动者工资收入模型

2023-06-10高梓轩杨艳秋秦四通曹亚凯王雨琪

电脑知识与技术 2023年12期

关键词：工资收入残差工资

高梓轩　杨艳秋　秦四通　曹亚凯　王雨琪

关键词：BP神经网络；时间序列分析；霍特线性趋势；ARIMA（0，1，0）

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2023）12-0013-03

0 引言

中华全国总工会进行的一项研究报告显示，中国劳动力收入占GDP 的比重已经连续下降了27年之余。“用工荒”似乎成了一种新风潮，在全国范围蔓延。劳动力工资收入是我们主要关注的一种基本收入，提高工人工资、劳动报酬不仅刻不容缓，还是一场持久战。

提高劳动者的工资收入影响因素很多且受各方面的影响较大，提高工资收入不可过慢、过快，需要根据实际经济发展情况作出实时调整，必须适时适度。

1 基于BP 神经网络的工资调整幅度模型

建立劳动者工资收入上涨幅度标准，探究“十三五”期间工资上涨幅度的合理性。探究其合理性，我们引入BP神经网络利用2006—2015年的数据对“十三五”期间的工资进行预测，而后搜索数据寻找“十三五”期间的真实指标数据与工资情况并与预测结果进行比较，探求其合理性。

BP神经网络又称为误差反向传播神经网络，是一种可实现多层精准预测的前向行神经网络。其原理主要为以网络的误差平方和为目标函数，采用梯度下降的方法计算目标函数的最小值[1]。

minS = SEE²（1）

式中，SEE²代表网络误差平方和。

X₁，X₂，…X_m为输入层m 个输入，隐含层有q 个神经元，W₁₁，W₁₂，…W_sq为隐含层q 个神经元与输出层s 个神经元之前的权值，Y₁，Y₂，…Y_m为输出层s 个输出。BP神经网络学习过程有信号正向传播与误差反向传播两个过程，如图1所示。

2 基于时间序列分析的横纵向工资预测模型

2.1 模型的建立

对于“十四五”期间的工資调整的幅度前景分析，本文引入时间序列分析对主要因素进行纵向预测[2]，结合国家决策与规划，利用BP神经网络对劳动者工资进行横向预测。

Step1：纵向——时间序列分析预测主要因素的大小

ARIMA（Z，V，O）模型即差分自回归移动平均模型，该模型具有预测精确度高，操作简单且适用于短期预测的特点。该模型中Z为自回归的回归项数，V为滑动平均的项数，O为非平稳序列转为平稳序列的差分次数[3]。

首先需要对数据进行差分处理，将其转换为平稳时间序列后进行分析预测。

Step2：横向——BP 神经网络模型预测工资收入

将通过时间序列分析得出的期间的国家经济水平、政府购买、财政收入与人民币汇率预测结果，带入上文中建立的BP神经网络模型中进行训练，最终得到“十四五”期间的工资上涨幅度大小。

2.2 模型的求解

利用上述时间序列模型，人民币汇率采用简单指数平滑法，政府购买采用霍特线性趋势模型，国家经济水平与财政收入采用ARIMA（0，1，0）模型。最终得出在“十四五”期间的数据如表1所示。

利用BP神经网络对上述结果进行横向预测，得到劳动者工资收入结果如表2所示。

根据“十四五”期间国家决策与规划目标，居民人均可支配收入增长要实现与国家经济水平增长基本同步。根据所得出的结果，工资收入与国家经济水平增长近似同步[4]，符合实际，预测结果较好。

3 模型的分析与检验

本文对BP神经网络进行残差分析，对其训练情况进行分析检验。

训练结果残差分析如图2所示，观察残差图得到，第4个数据残差较其他残差值过于大，我们分析该点为一个异常值点。但其他残差均无太大波动，且对称地在0值上下波动。我们分析该异常值点，发现该年人民币汇率是10年内最大的，所以发生较大偏移，但整体残差值分布较好，可认为模型预测效果较好，模型具有较强稳定性[5]。

4 总结与展望

4.1 模型的优点

1）采用BP神经网络具有一般神经网络的优点，在已知数据训练集的条件下，训练后的分类器具有比较好的稳定性和泛化能力，能够较好地预测未来劳动者工资收入。

2）采用时间序列分析能够动态处理数据，提供预测所需要的数据。

3）本文运用SPSS、Stata、Excel等多种数学软件进行计算，取长补短，使计算结果更加准确。

4.2 模型的缺点

1）在初步选取时主观因素较大，未考虑地域分布、产业结构等因素对劳动者工资收入的影响。

2） BP神经网络的重现性很差，有可能会出现训练失败的可能性，需要多次进行训练，耗时较长。

3）未考虑突发事件如战争、经济危机等的影响，模型应对特殊事件的能力不佳。

4.3 模型的改进

1）在本文建立的模型当中加入地域分布、产业结构以及应对特殊事件能力等的因素，使模型更加合理化。

2）采用改进的BP神经网络算法或是其他较好的机器学习算法以此最大程度上减少训练失败的可能性。