金盛杰 包麗娜

引言：本文利用了BP神經(jīng)網(wǎng)絡(luò)方法在數(shù)據(jù)擬合與預(yù)測(cè)上的較好應(yīng)用效果，對(duì)美國(guó)、日本、德國(guó)、澳大利亞和意大利5個(gè)國(guó)家的人均預(yù)期壽命、勞動(dòng)市場(chǎng)供求狀況、老齡化程度、國(guó)民受教育情況等因素與現(xiàn)行標(biāo)準(zhǔn)退休年齡的關(guān)系進(jìn)行研究。

概述

我們對(duì)退休年齡超過60歲的典型發(fā)達(dá)國(guó)家美國(guó)、日本、德國(guó)、澳大利亞和意大利5個(gè)國(guó)家的人均預(yù)期壽命、勞動(dòng)市場(chǎng)供求狀況、老齡化程度、國(guó)民受教育情況等因素與現(xiàn)行標(biāo)準(zhǔn)退休年齡的關(guān)系進(jìn)行研究，我們選用BP神經(jīng)網(wǎng)絡(luò)方法來進(jìn)行退休年齡的回歸擬合。

一、統(tǒng)計(jì)數(shù)據(jù)

在人均預(yù)期壽命、勞動(dòng)市場(chǎng)供求狀況、老齡化程度、國(guó)民受教育情況這四個(gè)因素中，我們以求的是代表國(guó)民受教育情況。查閱獲取2013年統(tǒng)計(jì)數(shù)據(jù)如下：

二、模型建立

利用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱我們可以逐步調(diào)整訓(xùn)練的網(wǎng)絡(luò)層數(shù)與神經(jīng)元個(gè)數(shù)來獲取較好的擬合效果，具體的實(shí)驗(yàn)思想如下：

Step1：訓(xùn)練樣本集X，訓(xùn)練輸出集Y，測(cè)試輸入集X；

Step2：采用三層BP網(wǎng)絡(luò)，隱層12個(gè)神經(jīng)元，節(jié)點(diǎn)作用函數(shù)選擇前三層為對(duì)稱S函數(shù)（tansig），輸出節(jié)點(diǎn)為線性（purelin）；

Step3：權(quán)值調(diào)整算法采用最速下降法（trainlm）；

Step4：訓(xùn)練次數(shù)為1000次，精度為 ；

其中樣本集X為人均預(yù)期壽命、求人倍率、老齡化指數(shù)、人均受教育年限，輸出集Y為退休年齡。

三、模型求解結(jié)果與精度分析

根據(jù)以上模型思想我們可以得到一組退休年齡的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值，并得到總體相關(guān)系數(shù) =0.9581，表明回歸方程比較顯著，據(jù)此我們畫出退休年齡的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)際值折線比較圖：

由上圖我們可以直觀的看出，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)際值非常的接近，證明了神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)擬合與預(yù)測(cè)方面較好的功能，在多因素影響下的數(shù)據(jù)預(yù)測(cè)具有著很好的應(yīng)用。

參考文獻(xiàn)

[1]孫萍，程銘東.基于Verhulst發(fā)展方程的人口系統(tǒng)預(yù)測(cè)和分析.黃石理工學(xué)院學(xué)報(bào)，第3期：2012.6.

（作者單位：河海大學(xué) 水利水電工程學(xué)院 水利水電工程專業(yè)）