• 论文 • 上一篇    下一篇

大数据背景下中国季度失业率的预测研究------基于网络搜索数据的分析

王勇1,2,董恒新1   

  1. 1. 东北财经大学统计学院,大连 116025; 2. 东北财经大学博士后科研流动站,大连 116025
  • 出版日期:2017-02-25 发布日期:2017-04-01

王勇,董恒新. 大数据背景下中国季度失业率的预测研究------基于网络搜索数据的分析[J]. 系统科学与数学, 2017, 37(2): 460-472.

WANG Yong, DONG Hengxin. The Forecast of China's Quarterly Unemployment Rate in the Background of Big Data --- Analysis Based on Network Search Data[J]. Journal of Systems Science and Mathematical Sciences, 2017, 37(2): 460-472.

The Forecast of China's Quarterly Unemployment Rate in the Background of Big Data --- Analysis Based on Network Search Data

WANG Yong1,2 ,DONG Hengxin1   

  • Online:2017-02-25 Published:2017-04-01

目前,中国失业率统计存在一定局限,不利于准确及时地反映劳动市场的就业变动,大数据技术的快速发展为中国失业率统计提供新的发展视角.基于网络搜索数据,文章从5种常用的预测方法中筛选出最优的支持向量机回归模型,对中国季度失业率进行了预测研究.研究表明,基于网络搜索数据预测的失业率能够比官方数据更早地反映失业趋势的变化,预测失业率与修正后的失业率水平接近,能够为政府部门提供中国失业状况的政策预警.

At present, there are some limitations in China's unemployment rate statistics, which is not conducive to accurately and timely reflect the employment changes in labor market. The rapid development of large-scale data technology provides a new development perspective for China's unemployment statistics. Based on the network search data, this paper selects the best support vector machine regression model from five commonly used forecasting methods, and forecasts the quarterly unemployment rate in China. The results show that the unemployment rate can reflect the change of the unemployment trend sooner than the official data. The predicted unemployment rate is close to the revised unemployment rate, which can provide the government with the policy warning of the unemployment situation in China.

MR(2010)主题分类: 

()
[1] 胡雪梅, 蒋慧凤. 具有技术指标的逻辑回归模型预测谷歌股票的涨跌趋势[J]. 系统科学与数学, 2021, 41(3): 802-823.
[2] 杜梅慧,李莉莉,张璇. 基于两步子抽样算法的P2P信用风险预测研究[J]. 系统科学与数学, 2021, 41(2): 566-576.
[3] 李晨露.  大数据下广义线性模型的参数估计算法[J]. 系统科学与数学, 2020, 40(5): 927-940.
[4] 琚春华,傅小康,邹江波. 融入社会关系强度的个人信用价值度量模型研究[J]. 系统科学与数学, 2020, 40(3): 448-468.
[5] 韩璐,苏治,刘志东. 金融市场的协动预测模型: DWT-SVM方法[J]. 系统科学与数学, 2020, 40(12): 2342-2356.
[6] 魏瑾瑞,崔浩萌. 基于网络搜索数据的区域旅游指数及其微观动态: 以西安为例[J]. 系统科学与数学, 2018, 38(2): 177-194.
[7] 李萍,倪志伟,朱旭辉,伍章俊. 基于分形流形学习的支持向量机空气污染指数预测模型[J]. 系统科学与数学, 2018, 38(11): 1296-1306.
[8] 张燕,张晨光,张夏欢. 平衡化图半监督学习方法[J]. 系统科学与数学, 2016, 36(8): 1107-1118.
[9] 贾效伟,李梦,贾忠伟. 从健康系统工程谈口腔影像学大数据研究伦理[J]. 系统科学与数学, 2016, 36(2): 219-.
阅读次数
全文


摘要