農(nóng)民工進(jìn)城去留行為預(yù)測的貝葉斯網(wǎng)絡(luò)模型研究

摘要：研究了貝葉斯網(wǎng)絡(luò)模型在農(nóng)民工進(jìn)城行為去留的預(yù)測問題中的應(yīng)用。在農(nóng)民工信息行為調(diào)研數(shù)據(jù)的基礎(chǔ)上，首先進(jìn)行卡方檢驗排除無關(guān)變量，再利用clementine 12.0數(shù)據(jù)挖掘軟件觀察對比TAN、Markov、Markov-FS三個不同的貝葉斯網(wǎng)絡(luò)模型預(yù)測效果，結(jié)果說明在相同情況下Markov-FS預(yù)測效果最好，適用于農(nóng)民工去留行為預(yù)測分析問題，從信息行為角度進(jìn)行研究，對民工荒問題的解決具有參考價值。

關(guān)鍵詞：民工荒；信息行為；貝葉斯網(wǎng)絡(luò)；數(shù)據(jù)挖掘

中圖分類號：TP311.53 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9599 （2012） 20-0000-02

1 引言

近年來，隨著內(nèi)陸經(jīng)濟(jì)的發(fā)展，中國多省市出現(xiàn)了“民工荒”現(xiàn)象。學(xué)者們對“民工荒”現(xiàn)象的原因進(jìn)行的多方面的分析，但是主要都是集中在以下幾個方面進(jìn)行分析：（1）結(jié)構(gòu)性招工短缺的矛盾；（2）新生代農(nóng)民工的性特點；（3）中國城鄉(xiāng)二元結(jié)構(gòu)；（4）金融危機(jī)的余震；（5）中國的經(jīng)濟(jì)結(jié)構(gòu)問題；（6）中國農(nóng)村教育問題；（7）農(nóng)民工待遇問題；（8）中國三農(nóng)投入的等方面進(jìn)行分析，具有一定的意義，但卻未能夠完全洞悉“民工荒”問題的根源。如果針對農(nóng)民工的各項服務(wù)沒有跟上，“用工荒”現(xiàn)象就難以消除，農(nóng)民工信息服務(wù)更是重要。

本文以國家社會科學(xué)基金項目“農(nóng)民工信息行為與信息服務(wù)策略研究”（項目編號：09BTQ008）為背景。以抽樣調(diào)查為基礎(chǔ)，通過對廣東農(nóng)民工群體的實地調(diào)研，分析了農(nóng)民工信息行為的現(xiàn)狀。運(yùn)用SPSS 19.0對農(nóng)民工信息行為計量的主要研究內(nèi)容，包括信息需求，信息查尋渠道，獲取信息過程中遇到困難，信息獲取的動機(jī)，信息吸收與信息利用，信息評價等七部分的變量進(jìn)行卡方檢驗，排除無關(guān)變量，再利用SPSS Clementine 12數(shù)據(jù)挖掘軟件，對比TAN、Markov、Markov-FS三個不同的貝葉斯網(wǎng)絡(luò)模型預(yù)測效果，選擇最好的貝葉斯網(wǎng)絡(luò)模型，為以后農(nóng)民工去留問題預(yù)測提供參考。

2 數(shù)據(jù)預(yù)處理——卡方差異性檢驗

項目組采用問卷調(diào)查方式對以廣東為主輻射全國地區(qū)的農(nóng)民工進(jìn)行整群抽樣和偶遇抽樣，得到2930份有效問卷。由于變量太多，我們必須進(jìn)行預(yù)處理，排除無關(guān)的變量，我們這里就可以運(yùn)用SPSS進(jìn)行卡方檢驗：卡方獨(dú)立性檢驗用于檢驗兩個或兩個以上因素（各有兩項或以上的分類）之間是否相互影響的問題。當(dāng)相比較樣本的差別是由本身內(nèi)在因素引起而非抽樣誤差所致時，卡方值就大，相應(yīng)的P值—反映由抽樣誤差引起的樣本差別的概率就小。這時就稱兩樣本差別“有顯著性”或“有高度顯著性”。反之，卡方值越小，P值就越大，則稱兩樣本差別“無顯著性”。步驟如下：

2.1 建立檢驗假設(shè)并確定檢驗水準(zhǔn)

首先檢驗農(nóng)民工在城市去留與否農(nóng)民工信息行為變量等之間的差異性，設(shè)：

H0：是否離開城市與農(nóng)民工信息行為變量之間相互獨(dú)立，構(gòu)成比沒有差異。

H1：是否離開城市與農(nóng)民工信息行為變量之間不相互獨(dú)立，構(gòu)成比存在差異。

2.2 計算檢驗統(tǒng)計量，卡方值則由下式計算

（1）

式中： 。

2.3 計算出卡方值后，再根據(jù)自由度df=（R-1）（C-1）查有關(guān)的卡方值表，從而判別各組樣本間差別的顯著性。當(dāng)x2≥x20.01時，P≤0.01，差別有高度顯著性；當(dāng)x20.01≥x2≥x20.05時，0.01≤P≤0.05，差別有顯著性；當(dāng)x20.05，差別無顯著性。剔除無顯著性農(nóng)民工信息行為影響因素。數(shù)據(jù)預(yù)處理后，農(nóng)民工信息行為保留的影響因素是：

農(nóng)民工基本信息10項剩下：①來自哪里，③年齡，④文化程度，⑥在城鎮(zhèn)打工時間，⑧您的個人年收入，⑨外出務(wù)工原因，⑩外出時間計劃。

信息的需求7項剩下：②職業(yè)培訓(xùn)，③社會保障，④權(quán)益維護(hù)，⑤子女教育，⑥生活文化，⑦政府政策。

信息查尋渠道12項剩下：②報刊、雜志，⑥廣播，⑨朋友、家人親戚或鄰居，⑩互聯(lián)網(wǎng)。

獲取信息過程中遇到困難7項剩下：③不知道如何使用工具（手機(jī)、互聯(lián)網(wǎng)等），⑤虛假信息太多，⑦信息獲取成本太高（如求職中介費(fèi)太貴）。

信息獲取的動機(jī)6項剩下：②仿照那些成功獲得信息的人，使用與他們相同的信息渠道，③獲取信息工作及生活更加便捷，④需要尋求各種職位升遷的機(jī)會，⑤金融危機(jī)下，加強(qiáng)職業(yè)技能，避免被裁退。

信息吸收與信息利用4項剩下：③能夠充分利用現(xiàn)有的信息渠道獲得我想要的信息，④能夠根據(jù)獲得的信息順利解決想要解決的問題。

信息服務(wù)的評價3項剩下：①對政府提供的關(guān)于務(wù)工人員信息服務(wù)質(zhì)量感到滿意，③持續(xù)主動搜集政府關(guān)于務(wù)工人員相關(guān)信息。

3 貝葉斯網(wǎng)絡(luò)

貝葉斯分類判斷模型是基于貝葉斯定理構(gòu)造出來的一個統(tǒng)計分類器，能夠預(yù)測數(shù)據(jù)對象類別所屬的概率。在處理規(guī)模數(shù)據(jù)庫時，貝葉斯分類判斷模型表現(xiàn)出較高的分類準(zhǔn)確性和運(yùn)算性能[1]。從理論上講，貝葉斯分類模型具有最小的錯誤率。

3.1 樹擴(kuò)展的樸素貝葉斯分類模型（TAN）

TAN貝葉斯網(wǎng)絡(luò)要求屬性結(jié)點除類結(jié)點為父結(jié)點外最多只能有一個屬性父結(jié)點，其中{X，，{X1，X2，…，Xn}}構(gòu)成一棵樹，TAN貝葉斯網(wǎng)絡(luò)被這棵樹所唯一確定，而樹可被函數(shù)π：{l，……，n}→{0，l…，n}（使π（i）=0。的結(jié)點為父結(jié)點，不存在序列i1，…ik使得π（ij）=ij+1（其中i≤j0時， ；當(dāng)π（i）=0時， ，因此，函數(shù)π就定義了TAN貝葉斯網(wǎng)絡(luò)。給定屬性結(jié)點之間的條件互信息函數(shù)

（2）

具有最大似然的TAN貝葉斯網(wǎng)絡(luò)構(gòu)造過程如下：

（1）通過訓(xùn)練集計算屬性對之間的條件互信息I^pd（Ai，Aj|C）。

（2）建立一個以I^pd（Ai，Aj|C））為弧的權(quán)重的加權(quán)完全無向圖。

（3）建立一個最大權(quán)重跨度樹。

（4）選擇一個根結(jié)點，設(shè)置所有邊的方向是由根結(jié)點向外，把無向樹轉(zhuǎn)換為有向樹。

（5）增加一個類變量結(jié)點及類變量結(jié)點與屬性結(jié)點之間的弧[2]。

3.2 馬爾可夫毯（Markov Blanket）

馬爾科夫毯[3]，是滿足如下特性的一個最小特征子集：一個特征在其馬爾科夫毯條件下，與特征域中所有其他特征條件獨(dú)立。設(shè)特征T的馬爾科夫毯為MB（T），則上述可表示為：

P（T|MB（T））=P（T|Y，MB（T）） （3）

其中Y為特征域中的所有非馬爾科夫毯結(jié)點，這是馬爾科夫毯的最直接的定義。

關(guān)于某一特征的馬爾科夫毯在貝葉斯網(wǎng)絡(luò)中的表現(xiàn)形式是該特征（即該結(jié)點）的父結(jié)點、子結(jié)點以及子結(jié)點的父結(jié)點。普遍認(rèn)為，當(dāng)特征完全關(guān)聯(lián)時，特征是冗余的，但是在當(dāng)兩個特征部分關(guān)聯(lián)時，就不容易區(qū)分他們是否冗余。馬爾可夫毯就是根據(jù)特征冗余來進(jìn)行選擇的最優(yōu)子集計算方法。

4 貝葉斯網(wǎng)絡(luò)數(shù)據(jù)挖掘?qū)嵶C分析

我們其中一個選項12外出時間計劃是：①暫時隨親友做一段時間，②看一看，無合適的工作就回家，③賺到一定錢，就回家鄉(xiāng)，④學(xué)到東西就回家鄉(xiāng)自己創(chuàng)業(yè)，⑤有計劃在此地發(fā)展，⑥就想在此地發(fā)展、不想回家鄉(xiāng)了，⑦其它，我們將前①②③④項合并為是留在城市發(fā)展，⑤⑥⑦合并為不是留在城市發(fā)展。用SPSS 19.0軟件分析頻率得到：

其中有60.9%的農(nóng)民工選擇回鄉(xiāng)，有39.1%的農(nóng)民工選擇留在城市發(fā)展。為了通過農(nóng)民工的基本信息以及信息行為預(yù)測其是否留在城市發(fā)展，我們利用Clementine 12.0數(shù)據(jù)挖掘軟件，對建立農(nóng)民工信息行為判斷其去留與否，首先，添加SPSS文件為源節(jié)點，然后，構(gòu)建了多個不同類型：樹擴(kuò)展樸素貝葉斯（TAN）模型的貝葉斯網(wǎng)絡(luò)，馬爾可夫毯（Markov Blanket）以及使用了特征選擇預(yù)處理的馬爾可夫毯來選擇與目標(biāo)變量有重大關(guān)聯(lián)的輸入模型，對它們進(jìn)行比較從而明確哪些模型可提供最好的預(yù)測如圖1。

運(yùn)行這三個貝葉斯網(wǎng)絡(luò)節(jié)點以生成模型，通過構(gòu)建一個收益圖表以及節(jié)點預(yù)測準(zhǔn)確率對比分析。比較模型的預(yù)測準(zhǔn)確性，如圖2所示：

由分析結(jié)果可知，相對于TAN模型以及Markov模型的準(zhǔn)確率26.69%，Markov-FS的預(yù)測準(zhǔn)確性高達(dá)91.81%，它是對于農(nóng)民工行為分析預(yù)測的有效方法。

5 結(jié)論

本文以國家社會科學(xué)基金項目“農(nóng)民工信息行為與信息服務(wù)策略研究”為背景。在抽樣調(diào)查的數(shù)據(jù)基礎(chǔ)上，運(yùn)用了SPSS卡方檢驗排除無關(guān)變量，大大縮減了數(shù)據(jù)挖掘的計算量，再利用clementine 12.0數(shù)據(jù)挖掘軟件觀察對比TAN、Markov、Markov-FS三個不同的貝葉斯網(wǎng)絡(luò)模型預(yù)測效果與實際的數(shù)據(jù)，結(jié)果說明在相同情況下Markov-FS預(yù)測效果最好，說明其適用于農(nóng)民工去留行為預(yù)測分析問題，從信息行為角度進(jìn)行研究，對民工荒問題的解決具有參考價值。

參考文獻(xiàn)：

[1]李旭升，郭耀煌.一種新穎貝葉斯混合模型研究[J].計算機(jī)科學(xué)，2006，9：125-139.

[2]張劍飛.貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法和算法研究[D].長春：東北師范大學(xué)碩士學(xué)位論文，2005：46-80

[3]王雙成，苑森淼，王輝.基于貝葉斯網(wǎng)絡(luò)的馬爾科夫毯預(yù)測學(xué)習(xí)[J].模式識別與人工智能，2004，1：17-21.