失业率不仅能够反映劳动力市场的变化情况，而且是判断和预测国民经济形势的一项重要指标，是政府部门制定相关政策的重要依据。自中国经济进入新常态以来，尽管就业形势总体稳定，但是受到各种宏观因素[1]和政策的影响，失业问题仍是关注的重点。为了能够掌握失业率的变化趋势，给政府提供科学的决策依据，本文构建了平均影响值(MIV)与BP神经网络相结合的预测模型，结合河北省相关数据对模型进行实证分析。
失业率预测涉及宏观经济指标较多，但可获取的样本数据较少，具有小样本、高维度、非线性的特征，而BP神经网络能够以任意精度逼近非线性函数，因此在处理非线性建模问题上，BP神经网络具有较强的优越性。但是在样本数量较少、数据维度较高的情况下，BP神经网络的精度也会下降，因此本文引入MIV方法筛选出对结果有较大影响的因素，对输入数据进行降维处理，以提高BP神经网络的预测精度。构建MIV-BP神经网络模型的流程图如图1所示。
通过对已有的失业率预测方面的研究进行分析和总结，本文从国民经济发展指标、劳动力指标、生活和价格指标、投资指标、贸易指标和能源指标六个方面选取了地区生产总值X1、地区生产总值指数X2、第二产业生产总值占比X3、第三产业生产总值占比X4、工业增加值X5、人口自然增长率X6、总人口数X7、高等学校毕业生数X8、居民消费价格总指数X9、商品零售价格指数X10、社会消费品零售总额X11、城镇居民人均可支配收入X12、全社会固定资产投资X13、海关进出口贸易总额X14、能源生产总量X1515个初始变量作为影响失业率的主要因素，用于预测城镇失业率。考虑到数据的可获取性，选择城镇登记失业率作为失业率指标数据。
失业率指标相对于宏观经济指标具有一定的滞后性，因此本文采用输出指标滞后输入指标一期，选取1998-2018年度共20个样本数据，数据来源于《中国统计年鉴》《河北经济年鉴》《河北省2018年国民经济和社会发展统计公报》。
按照MIV-BP神经网络模型构建流程图计算得到15个失业率影响因素的MIV值，结果见表1。将表1中15个失业率影响因素的MIV值的绝对值从大到小排序，本文按照30%的淘汰率进行筛选，可知地区生产总值X1、工业增加值X5、城镇居民人均可支配收入X12、全社会固定资产投资X13、能源生产总量X15的MIV值位于排序末位，对失业率的影响较小予以剔除，并将其余10个指标作为输入数据输入预测模型。
将样本按4:1的比例随机分成训练样本及测试样本，采用MATLAB 2016b软件建立BP神经网络预测模型，并对模型进行训练与测试。BP神经网络的输入变量是筛选后的影响失业率的指标数据，则其输入节点为10，输出变量为失业率，所以输出节点个数为l，经反复训练对比得出隐含层个数为10网络误差最小，故BP神经网络的结构为10-10-1。经训练，当MIV-BP神经网络经8次迭代后，Gradient值满足条件停止训练，如图2所示，此时均方误差MSE为，满足网络要求的拟合精度，训练集的网络输出与期望输出相关系数为1(如图3所示)，模型能够高度拟合样本的特征及规律。经测试，测试集的均方误差MSE为0.006，相对误差最小值为0.2%，最大值为3.5%，网络输出与期望输出相关系数为0.99(如图3所示)，该模型能够高度拟合样本特征，泛化能力较强。
本文采用输出指标滞后输入指标一期进行建模，该模型可完成2019年河北省失业率的预测。以2018年的样本为例，预测得出2019年河北省失业率为4%，是近五年的高点，这与我国2019年前三个月城镇调查失业率为5.2%，亦是处于近年来较高水平，结论相同。这说明2019年河北省就业形势严峻，政府稳就业的压力依旧很大，有关部门要继续实施就业优先战略，完善和落实各项稳就业的政策措施。(如图2所示)
为克服失业率预测过程中存在的小样本、高维度、非线性等问题，本文采用MIV-BP神经网络模型对河北省城镇失业率进行预测研究，并借助河北省1998-2018年宏观经济数据对模型进行了实证分析，实证结果表明：该模型能够对影响失业率的指标因素进行筛选，达到对BP神经网络的输入数据降维的目的，避免了因输入数据多重共线性的特性而使模型预测失真的现象，经测试该模型能够高度拟合样本特征，预测精度高，预测结果可以为相关部门提供有价值的参考意见。
人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。
因此，生物神经网络主要研究智能的机理;人工神经网络主要研究智能机理的实现，两者相辅相成。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：
从生理学、心理学、解剖学、脑科学、病理学等方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
摘要：本文以河北省城镇失业率为研究对象，选取了国民经济发展、劳动力、生活和价格、投资等5方面15个影响城镇失业率的指标，构建了平均影响值（MIV）与BP神经网络相结合的失业率预测模型，并借助河北省1998-2018年数据对MIV-BP神经网络模型进行仿真训练，预测2019年失业率。结果表明，该模型拟合精度良好、预测精度较高，能够有效地预测河北省城镇失业率。
关键词：BP神经网络,城镇失业率,平均影响值
[1] 吴叶, 刘婷婷, 方少勇.基于MIV-GA-BP神经网络的我国棉价预测研究[J].棉纺织技术, 2018, 46 (7) :77-80.
[2] 李宏, 李建武, 莫荣, 等.基于回归分析的失业预警建模实证研究[J].中国软科学, 2012 (5) :138-147.
[3] 李宏, 李建武, 宋玉龙.基于神经网络集成的失业预警方法[J].经济与管理研究, 2012 (1) :89-94.
推荐阅读：
基于网络的英语课程资源开发07-23
基于dm广告的研究06-01
基于网络资源利用的中职英语学习06-03
基于行为因素的煤矿现代安全管理研究07-09
混合式课例研究是基于对问题的研究06-03
基于产业链的战略管理研究论文06-29
基于SWOT分析的煤炭企业战略转型研究07-28
基于位移的结构静力弹塑性分析方法的研究07-19
基于差异化定价的快递包装纸箱回收策略研究06-13
基于本体理论的档案学及其应用研究论文06-13
