新疆在岗职工平均工资预测

2018-05-03 08:39李珊珊
合作经济与科技 2018年10期
关键词:工资水平平均工资灰色

李珊珊

[提要] 在岗职工平均工资是很重要的经济指标,能够反映在岗职工的工资水平。经济的高速发展,消费水平的不断提高,工资水平的日益增加,因此预测在岗职工平均工资对国家制定相关政策提供依据。本文介绍灰色预测模型基本步骤,并对模型进行优化,比较GM(1,1),优化GM(1,1),组合GM(1,1)模型的预测精度。数据选取2010~2016在岗职工平均工资,通过实证分析得出,修正的灰色预测模型预测精度较高,在岗职工的公职增长率相对合理。优化GM(1,1)模型在特定的预测环境下是可行的,但有待进一步推广。

关键词:GM(1,1)预测精度;检验;平均工资

中图分类号:F244 文献标识码:A

收录日期:2018年3月16日

一、引言

在岗职工平均基本工资是劳动者收入的重要组成部分,也是衡量生产力发展的一项指标,是国家实施相关宏观政策的依据。有效准确地对在岗职工平均工资进行预测,为国家制定相关劳动法、工资法提供依据,对新疆经济发展制定相關政策有重要意义。做好对新疆在岗职工平均工资的预测,对缩小城乡收入差距,实现共同富裕,社会稳定提供了保障。本文借助灰色预测模型对新疆在岗职工平均工资预测,也是政府调整工资结构、掌握未来工资走向、制定有效的工资机制等的依据。

本文先介绍了相关工资理论,阐述在岗职工平均工资和经济增长之间的相关关系,进一步探讨在岗职工平均工资的预测,邓聚龙教授于1982年提出灰色预测理论,经过30多年的发展,已在许多领域得到广泛应用,常用于解决信息量贫瘠、数据较少、具有不确定性问题的预测。灰色预测模型的主要思想:对于非负的时间序列,通过足够次数的累加形成新序列,呈现指数增长的下凸曲线,通过拟合新数列,生成各期拟合值。再对生成的拟合值进行多次累减,可得到原序列个体的拟合值。近年来,GM(1,1)也取得了较好的发展,特别是在改进背景值、修正初始值、优化灰导数、组合预测等等方面取得了重大突破。本文对GM(1,1)、优化GM(1,1)、组合GM(1,1)、时间相应的GM(1,1)进行比较分析,从而选取最优的预测模型。

二、在岗职工平均工资理论与预测方法文献综述

(一)关于在岗职工平均工资的研究。马玉婷(2008)通过对比不同省份在岗职工的工资水平,得出影响工资水平的主要原因,并解释了平均工资差距拉大的原因。宋雨男、张川(2016)通过对资本论中和西方经济学中工资理论的对比指出,资本论中工资理论偏重于逻辑推理,而现代的西方经济学工资理论注重于数学的分析方法,并不断的改进和完善。曹文佳(2017)研究指出经济增长可以促进工资水平的增加,并深入分析了黑龙江经济增长和工作收入不协调发展的内部原因。张丽敏(2012)根据协整理论,得出工资水平和经济增长之间存在相关关系,并得出长期的工资增长可以促进山东省的经济增长,提出应设置合理的工资水平,对引进人才、技术等有推动作用,进一步拉动经济的发展。因此,在预测在岗职工平均工资的同时,可以间接评价经济发展情况。学者们不仅介绍了各种理论的优缺点,也分析了影响职工工资增长的因素,并且论述了在岗职工平均工资和经济增长之间的相关关系。

(二)在岗职工平均工资预测的研究。魏正曦、邱玲(2014)用logistics回归模型对工资进行预测,计算出未来几年工资的具体数值,从宏观经济和微观经济分析,此种预测较为合理,还提出应当考虑除时间以外的其他因素,综合各种因素,使预测结果更有说服力,给政策指导提供依据。李媛(2018)利用多元线性回归模型对工资水平进行预测,但是并不能全面地把所有因素考虑在内,在考虑多重共线性问题时,可能会出现序列相关性的问题,因此寻求一种更好的预测方法迫在眉睫。梅端、周会会(2016)用BP神经网络,计算结果的mape保持在2%以内,表明用此方法对工资的预测是可行的。杨秀文、曾顺鹏(1998)指出灰色预测模型在一定的条件下技能进行短期预测和长期预测,中长期预测也具有一定的可能性,对灰色预测模型进行了详细的介绍和解释,使用的残商修正法不断地用新信息去替补旧信息,使预测更准确。乔节增、汲长卿(2013)运用灰色预测和灰色关联对在岗职工工资进行分析,只是罗列了灰色预测模型的简单步骤,并未作出相应的分析和解释,但是对我国未来工资水平的提高,提供了相关建议。虽然各种方法预测具有一定的意义,但是本文着重介绍灰色预测模型的预测,通过对经典灰色预测模型、组合灰色预测模型、优化的灰色预测模型比较,进而选出较好的模型。

三、经典灰色预测模型GM(1,1)介绍

对于初始数列X(0)=(X(0)(1),X(0)(2),···,X(0)(n)),只有满足检验的列才适用GM(1,1)模型。对适用模型的原始数列进行足够次数累加,X(1)=(X(1)(1),X(1)(2),···,X(1)(n)),对生成的新序列相邻两个数值求平均,构成新序列,并利用最小二乘法计算a,b的估计值,求解(2)式得:(1)(t)=[x(1)(t0)-]e-(t-t0)+(3),由(3)式计算(1)的预测序列,再由公式(0)(k)=(1)(k+1)-(1)(k),k=1,2,…,n计算x(0)对数列的拟合值。

预测结果的检验,灰色预测常用三个标准来从不同角度对模型的拟合效果进行检验:残差检验、关联度检验、后验差检验。关联度检验:验证预测曲线与原始曲线的相似程度;残差检验:预测结果与原始数据的绝对离差;后验差检验,主要根据预测值的标准差和原始数据值的标准差的比值进行判断。

四、灰色预测模型的改进

优化灰色模型的建立:结合不等式≥≥对GM(1,1)模型进行优化,此种观点是基于冯兴来(2017)用≥0.25×(+)2优化GM(1,1)模型,也即(3)式有以下两种计算方式:

Z(1)(1)=X(0)(1),Z(1)(k)=0.5×+[X(1)(k)×X(1)(k-1)∧0.5],Z(1)(1)=X(0)(1),Z(1)(k)=(+)2×0.25(k=2,…,n),接下来本文对着三种方法进行了运用和对比,从而选出合适的模型。

五、新疆未来5年在岗职工平均工资预测

选取《新疆统计年鉴2017》城镇在岗职工平均工资(2010~2016年),通过对序列进行级比检验,可以建立GM(1,1),本文主要通过R软件来计算相应的数值。称(8)、(9)为优化一、优化二模型。(表1)

从表1可以看出,这三个灰色模型,mape都小于0.01,且优化二模型的mape最小;從关联程度角度考虑,优化二模型的关联度最高,经典GM(1,1)关联程度小于0.6,经典GM(1,1)模型不太适合;从后验差验证角度考虑,三个模型的值都小于0.3,P值等于1,对于预测评价结果都比较理想。综上所述,本文选取优化一模型,它的后验差检验最低,mape也相对较小,预测精度更高,更具有优越性。优化一模型的-a<0.3,可用于中长期预测。未来五年(2017~2021)新疆在岗职工的平均工资为:76916.89、84797.98、93486.60、103065.47、113625.82。预测的平均工资的增长率保持在14%的水平,符合新疆经济发展的水平。

六、结论及政策建议

本文不仅优化了经典灰色预测模型,给出了预测模型的建立过程,还对新疆在岗职工平均工资的预测进行了研究,优化的灰色预测模型是可行的,比经典的灰色预测模型更具有优越性。本文的不足之处,为对此方法进行推广,可以作为以后的研究方向。对于预测和提高在岗职工平均工资提出以下建议:

(一)注重产业结构调整,由资源粗放型向资源节约型转变,使经济结构高速、健康、高收益的发展。引进外资投入到经济增长较快的产业,提高广大职工的平均工资水平,引进外来人才。吸引更多的优秀人才在国内工作,吸收和借鉴国外先进技术,鼓励自主创业和自主创新,加大对教育事业的投入,为青少年夯实教育基础,青年强则国家强,对以后国家发展百利而无一害。制定浮动的汇率政策。在保证新疆“长治久安,社会稳定”的基础上,积极的制定相关政策,正确预估人民币汇率,保持弹性,使新疆生产、生活、消费、贸易收支以及经济发展等方面正常运转。

(二)制定正确的民族政策。不允许存在民族歧视,全疆各族人民在民族团结、社会稳定的基础上,积极工作,创造效益,为社会贡献自己的力量,有和平才能发展。保持区域发展的协调性,特别是南北疆的经济发展对比,每个区域必须发展自己的经济优势,适应全球化的发展,国家应当鼓励贫困地区发展特色产业,制定惠民惠农政策,全面提高收入水平。

主要参考文献:

[1]宋雨楠,张川.《资本论》中的工资理论与西方经济学工资学说的比较[J].现代营销,2016.5.

[2]曹文佳.黑龙江省城镇职工工资收入与经济增长的同步性研究[D].哈尔滨商业大学,2017.

[3]马玉婷.山西职工平均工资差距拉大的趋势分析[J].图书情报导刊,2008.18.15.

[4]张丽敏.山东省工资与经济增长关系的协整分析[J].对外经贸,2012.4.

[5]魏正曦,邱玲.线性回归分析法在工资预测中的应用[J].四川理工学院学报(自科版),2014.27.2.

[6]李媛.多元线性回归在平均工资预测中的应用研究[J].信息通讯.2018.1.

[7]杨秀文,曾顺鹏.重庆市职工工资收入的灰色预测[J].重庆理工大学学报,1998.1.

[8]乔节增,汲长卿.我国城镇在岗职工平均工资的灰色预测和灰色关联分析[J].内蒙古统计,2013.1.

[9]邓聚龙.灰色系统基本方法[M].武汉:华中理工大学出版社,1988.

猜你喜欢
工资水平平均工资灰色
No.6 2021年平均工资出炉
浅灰色的小猪
人口红利、经济增长与工资水平
灰色时代
她、它的灰色时髦观
HAIR AND NOW