基于深度學習的我國就業(yè)結(jié)構(gòu)發(fā)展趨勢研究

摘? 要：文章針對我國人均國內(nèi)生產(chǎn)總值和三次產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)之間的關(guān)系進行了分析和研究，并利用長短期記憶網(wǎng)絡(luò)（LSTM）模型進行了擬合，大大提高了擬合精度。該模型基于時間序列數(shù)據(jù)對就業(yè)結(jié)構(gòu)進行了研究，總結(jié)出我國三次產(chǎn)業(yè)就業(yè)結(jié)構(gòu)發(fā)展的一般規(guī)律，并對我國未來一段時間內(nèi)就業(yè)結(jié)構(gòu)的發(fā)展趨勢作出了預(yù)測。

關(guān)鍵詞：人均國內(nèi)生產(chǎn)總值;就業(yè)結(jié)構(gòu);LSTM模型;發(fā)展趨勢

中圖分類號：TP273+.4? ? ? ? 文獻標識碼：A文章編號：2096-4706（2022）02-0150-04

Abstract： This paper analyzes and studies the relationship between Chinas per capita GDP and the employment structure of the three industries， and uses LSTM model to fit， which greatly improves the fitting accuracy. This model studies the employment structure based on time series data and summarizes the general law of the development of China's three industrial employment structure， and forecasts the development trend of China's employment structure in the future.

Keywords： per capita GDP; employment structure; LSTM model; development trend

0? 引? 言

本文就我國人均國內(nèi)生產(chǎn)總值、三次產(chǎn)業(yè)結(jié)構(gòu)以及三次產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)數(shù)據(jù)之間的關(guān)系進行了詳細分析和研究，還對就業(yè)結(jié)構(gòu)的演變而建立了（Long Short-Term Memory， LSTM）模型，以求在實證分析中分析和驗證研究結(jié)論。

1? 就業(yè)結(jié)構(gòu)及深度學習算法相關(guān)概念介紹

就業(yè)結(jié)構(gòu)[1]是指社會勞動力在國民經(jīng)濟各部門、各行業(yè)、各領(lǐng)域的分布、構(gòu)成和聯(lián)系。根據(jù)這些部門的分布特點，可以將其分類為就業(yè)的城鄉(xiāng)結(jié)構(gòu)、地區(qū)結(jié)構(gòu)、性別結(jié)構(gòu)以及技術(shù)結(jié)構(gòu)等。

關(guān)于產(chǎn)業(yè)化的變動規(guī)律，經(jīng)濟學家克拉克[2]曾詳細地闡述了勞動力相關(guān)的變動規(guī)律，指出其變動狀態(tài)應(yīng)該以第一產(chǎn)業(yè)向第三產(chǎn)業(yè)按順序變動，這被稱作是經(jīng)濟結(jié)構(gòu)的“高度化”。之后，庫茨涅茲[3]等人通過對全球數(shù)十個國家產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展趨勢和產(chǎn)業(yè)結(jié)構(gòu)對就業(yè)結(jié)構(gòu)的影響程度進行研究，得出了發(fā)展中國家產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)換快于就業(yè)結(jié)構(gòu)轉(zhuǎn)換的規(guī)律，由此奠定了在這之后對此類課題研究的理論基礎(chǔ)。

1990年以來，國內(nèi)學者針對產(chǎn)業(yè)結(jié)構(gòu)和就業(yè)結(jié)構(gòu)之間的關(guān)系進行了大量研究。一方面研究出了產(chǎn)業(yè)結(jié)構(gòu)與就業(yè)結(jié)構(gòu)具有內(nèi)在一致性。產(chǎn)業(yè)結(jié)構(gòu)被認為是促進經(jīng)濟增長的關(guān)鍵因素，而勞動力則是影響產(chǎn)業(yè)結(jié)構(gòu)演變的關(guān)鍵要素;產(chǎn)業(yè)升級需要勞動力流動，勞動力流動引起產(chǎn)業(yè)結(jié)構(gòu)變動;就業(yè)結(jié)構(gòu)與產(chǎn)業(yè)結(jié)構(gòu)的協(xié)調(diào)發(fā)展是經(jīng)濟良性運行的必然要求。另一方面對產(chǎn)業(yè)與就業(yè)結(jié)構(gòu)不協(xié)調(diào)的原因進行了一些相關(guān)的研究，即使我國產(chǎn)業(yè)結(jié)構(gòu)與國際標準模式基本一致，但就業(yè)結(jié)構(gòu)轉(zhuǎn)換滯后于產(chǎn)業(yè)結(jié)構(gòu)。喻桂華、張春煜等人研究了中國就業(yè)結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)的偏離問題。蘇遠琳分析了四川省產(chǎn)業(yè)結(jié)構(gòu)與就業(yè)結(jié)構(gòu)的動態(tài)關(guān)系，從就業(yè)彈性和結(jié)構(gòu)偏離度分析了兩者之間的關(guān)系。蔣文昭運用結(jié)構(gòu)偏離度法進行分析后得出了河南省的產(chǎn)業(yè)結(jié)構(gòu)和就業(yè)結(jié)構(gòu)存在失衡現(xiàn)象的結(jié)論。江小涓、李輝[4]探討了人均收入和服務(wù)業(yè)的就業(yè)比重之間的關(guān)聯(lián)關(guān)系。目前，有關(guān)于數(shù)據(jù)挖掘方面的科研論文快速增長，從理論和應(yīng)用上對數(shù)據(jù)挖掘進行研究，獲得了大量成果。

在深度學習中所獲得的信息對學習樣本數(shù)據(jù)的相關(guān)解釋有很大程度的幫助，而當中諸如文字以及聲音圖像等的出現(xiàn)為的是讓機器人能夠像人類一樣有分析學習的能力，可以識別文字以及聲音圖像等相關(guān)數(shù)據(jù)。

1.1? BP

科學家魯梅爾哈特和麥克萊蘭在20世紀末期提出了神經(jīng)網(wǎng)絡(luò)（Back Propagation， BP）的概念，指出此神經(jīng)網(wǎng)絡(luò)是多層前饋神經(jīng)網(wǎng)絡(luò)，是按照誤差進行逆向傳播訓(xùn)練的最廣泛神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)可以解決一些簡單感知器所不能及的抑或（Exclusive or， XOR）等問題，其模式分類能力和多維函數(shù)能力都是任意且復(fù)雜的。

另外，按BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)原理來分析，它具有3個數(shù)據(jù)層，分別是輸入層、隱藏層和輸出層，而從本質(zhì)上看，它的目標函數(shù)是以網(wǎng)絡(luò)誤差平方為基礎(chǔ)的，最小值的計算則是采用梯度下降法來實現(xiàn)[5]。

1.2? LSTM

LSTM是具有記憶長短期信息的能力的神經(jīng)網(wǎng)絡(luò)[6，7]。1997年，Hochreiter&Schmidhuber提出了LSTM并于十五年后得以興盛，當中經(jīng)歷了多代大牛（Felix Gers，F(xiàn)red Cummins，Santiago Fernandez，Justin Bayer，DaanWierstra，Julian Togelius）的融合發(fā)展，目前已經(jīng)形成了較為成熟的LSTM框架。目前LSTM已在很多領(lǐng)域得到了廣泛的應(yīng)用。

LSTM的核心概念在于細胞狀態(tài)以及“門”結(jié)構(gòu)。細胞狀態(tài)相當于信息傳輸?shù)穆窂?，讓信息能在序列連中傳遞下去。因此，即使是較早時間步長的信息也能攜帶到較后時間步長的細胞中來，這克服了短時記憶的影響[8，9]。信息的添加和移除通過“門”結(jié)構(gòu)來實現(xiàn)，“門”結(jié)構(gòu)在訓(xùn)練過程中會去學習該保存或遺忘哪些信息。FDF709A5-904C-4717-8E91-126731B2A384

2? LSTM模型的構(gòu)建及實驗結(jié)果對比

2.1? 研究概況及數(shù)據(jù)來源

中國地處亞洲東部、太平洋西岸，擁有23個省、5個自治區(qū)、4個直轄市、2個特別行政區(qū)，總面積達960萬平方千米。據(jù)統(tǒng)計，2019年末中國居民達到140 005萬人，生產(chǎn)總值實現(xiàn)990 865.1億元，人均地區(qū)生產(chǎn)總值為70 724.6元。

本實驗的數(shù)據(jù)以1980—2020年中國及各省份的數(shù)據(jù)統(tǒng)計年鑒為基準，面對著部分數(shù)據(jù)統(tǒng)計缺失的問題，本文采用的是插值法對數(shù)據(jù)進行擴充。

2.2? 研究方法

本研究首先采用基于文獻分析的基礎(chǔ)理論研究方法，廣泛收集國內(nèi)外有關(guān)就業(yè)結(jié)構(gòu)與就業(yè)的產(chǎn)業(yè)結(jié)構(gòu)領(lǐng)域的研究文獻，認真分析，試圖找出一種更好的分析方法，使得對于就業(yè)結(jié)構(gòu)的分析和預(yù)測更為精確。與此同時，密切關(guān)注機器學習技術(shù)的最新研究動態(tài)，增加本次研究的科學性、可行性、準確性。之后，初步設(shè)計LSTM模型，以就業(yè)結(jié)構(gòu)及就業(yè)的產(chǎn)業(yè)結(jié)構(gòu)數(shù)據(jù)為依托，進行分析及預(yù)測。最后，對此方案進行大量測試和優(yōu)化，使研究更加嚴謹和縝密。

長短時記憶（Long short-term memory， LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，目標是緩解長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題[10]。簡單來說，就是相比普通的RNN，LSTM能夠在更長的序列中有更好的表現(xiàn)。LSTM的結(jié)構(gòu)如圖1所示。

從圖1中可以看出，LSTM網(wǎng)絡(luò)在節(jié)點中有一些信息過濾門，從而實現(xiàn)增刪信息的功能。這些門是由sigmoid函數(shù)來進行控制的，因為sigmoid函數(shù)值在0到1之間，這樣可以確定哪些信息可以通過該門。具體流程如下：

本文的輸入設(shè)為人均GDP，輸出是三大產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)。通過建立BP神經(jīng)網(wǎng)絡(luò)模型和LSTM長短時記憶模型，將1980年到2019年我國31個省級行政區(qū)劃的相關(guān)數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練所建立的模型對我國就業(yè)結(jié)構(gòu)的產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展情況進行仿真和預(yù)測。

本文模型在WINDOWS系統(tǒng)上基于開源框架TensorFlow實現(xiàn)，分別用人均國內(nèi)生產(chǎn)總值與對應(yīng)的三次產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)作為輸入層和輸出層神經(jīng)元，隱含層神經(jīng)元采用tanh型傳遞函數(shù)。采用可變學習率的梯度下降算法和LSTM模型。每隔20個epoch，學習率減小為原來的1/10。

2.3? 實驗結(jié)果

為了驗證本文使用方法的效果，分別在BP和LSTM模型上進行實驗對比，最終顯示LSTM模型上的擬合度遠高于BP模型。實驗結(jié)果如表1所示。

2.4? 預(yù)測

根據(jù)已得出的模型，我們可以利用人均國內(nèi)生產(chǎn)總值來預(yù)測未來我國三次產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)的發(fā)展趨勢，結(jié)果如表2所示。

通過預(yù)測結(jié)果，我們可以得到未來中國3大產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)發(fā)展趨勢的一般規(guī)律。在人均國內(nèi)生產(chǎn)總值不斷上升的背景下，第一產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)逐漸下降，但下降速度逐漸減緩，因為第一產(chǎn)業(yè)是國家的基礎(chǔ)產(chǎn)業(yè)，是14億人賴以生存的物質(zhì)基礎(chǔ)，之后將維持在一個基本恒定的數(shù)值區(qū)間內(nèi)。而第二產(chǎn)業(yè)在經(jīng)過下降后再次上升到恒定值，符合二次函數(shù)擬合曲線。工業(yè)是一個國家國際競爭力的關(guān)鍵，中國作為世界上工業(yè)門類最為齊全的大國，未來將成為工業(yè)強國，擁有更多更好的核心技術(shù)，為我國的可持續(xù)發(fā)展注入源源不斷的動力。第三產(chǎn)業(yè)的就業(yè)結(jié)構(gòu)占比則逐漸上升，在改革的大背景下，服務(wù)業(yè)在我們的日常生活中扮演著越來越重要的角色，互聯(lián)網(wǎng)等新科技手段的使用也成為第三產(chǎn)業(yè)不斷發(fā)展壯大的“燃料”，助推中國經(jīng)濟更好更快發(fā)展。因此，在向第二個“一百年”奮進的當下，我們更要把握好三大產(chǎn)業(yè)結(jié)構(gòu)及其就業(yè)結(jié)構(gòu)的發(fā)展趨勢。

針對以上結(jié)論，我們可以對于我國如何更快完成經(jīng)濟轉(zhuǎn)型對提出一些建議和對策：

（1）加快產(chǎn)業(yè)升級，促進第一產(chǎn)業(yè)的發(fā)展。我國作為農(nóng)業(yè)大國，第一產(chǎn)業(yè)的發(fā)展對整體經(jīng)濟的提升作用不容忽視。我國目前農(nóng)業(yè)水平較低，利潤模式較為落后。對此，可以發(fā)展一些特色農(nóng)業(yè)、養(yǎng)殖業(yè)，實現(xiàn)差異化配置，能夠更好地發(fā)揮土地種植的優(yōu)勢，實現(xiàn)更高的產(chǎn)品附加值，從而推動第一產(chǎn)業(yè)增加值的穩(wěn)步提高。在此基礎(chǔ)上，可以實現(xiàn)第一產(chǎn)業(yè)的平穩(wěn)有序發(fā)展，同時將過剩的勞動力向二、三產(chǎn)業(yè)輸出，有針對性地對一些就業(yè)人員展開培訓(xùn)，實現(xiàn)勞動力素質(zhì)的提升和生產(chǎn)效率的提高。

（2）加速產(chǎn)業(yè)轉(zhuǎn)型升級，形成第二產(chǎn)業(yè)再突破。我國一直積極探尋經(jīng)濟轉(zhuǎn)型，對第二產(chǎn)業(yè)的投入持續(xù)加大。引入了富士康等一批技術(shù)密集型企業(yè)，吸納了大量勞動力。但是中西部個別地區(qū)工業(yè)實力提升緩慢，勞動力結(jié)構(gòu)關(guān)聯(lián)程度也較低，亟須提高生產(chǎn)效率，扶植或引入一些相關(guān)企業(yè)從而提高城鎮(zhèn)化水平。第二產(chǎn)業(yè)的產(chǎn)值與就業(yè)結(jié)構(gòu)存在比較嚴重的不平衡問題。第二產(chǎn)業(yè)的就業(yè)是城鎮(zhèn)化的基礎(chǔ)，工業(yè)化的轉(zhuǎn)型升級決定著人民生活質(zhì)量的高低。

（3）引導(dǎo)好第三產(chǎn)業(yè)，促進勞動力持續(xù)流入。經(jīng)濟越發(fā)達的國家，第三產(chǎn)業(yè)占比越高，因為第三產(chǎn)業(yè)的快速發(fā)展帶動了人民對美好生活的向往。黨的十九大報告指出：“中國特色社會主義進入新時代，我國社會的主要矛盾已經(jīng)轉(zhuǎn)化為人民日益增長的美好生活需要和不平衡不充分的發(fā)展之間的矛盾?！倍覈牡谌a(chǎn)業(yè)就存在著不平衡發(fā)展的問題。因此，實現(xiàn)第三產(chǎn)業(yè)的轉(zhuǎn)型升級，離不開政府的引導(dǎo)。政府應(yīng)加大對教育的投入力度，全面提高居民素質(zhì)，并加大人才引進力度，實現(xiàn)科技的飛速發(fā)展，從而帶動整個第三產(chǎn)業(yè)的騰飛，為經(jīng)濟的發(fā)展提供活力。

3? 結(jié)? 論

本文運用兩種模型對我國就業(yè)結(jié)構(gòu)的發(fā)展趨勢進行了研究對比，得出了利用LSTM對就業(yè)結(jié)構(gòu)進行擬合精度更高的結(jié)論。但是，LSTM模型仍有一些局限性，它的精度有待進一步提高。此外模型的參數(shù)如何優(yōu)化才能得到更好的效果也是下一步需要研究的課題。

參考文獻：

[1] 何盛明.財經(jīng)大辭典 [M].北京：中國財政經(jīng)濟出版社，1990.FDF709A5-904C-4717-8E91-126731B2A384

[2] CLARK C. The Conditions of Economic Progress：3rd [M].London：Macmillan，1957.

[3]庫茲涅茨.各國的經(jīng)濟增長 [M].北京：商務(wù)印書館，2021.

[4] 江小涓，李輝.服務(wù)業(yè)與中國經(jīng)濟：相關(guān)性和加快增長的潛力 [J].經(jīng)濟研究，2004（1）：4-15.

[5] 黃洪鐘，孫道恒，陳新.結(jié)構(gòu)優(yōu)化與分析的神經(jīng)網(wǎng)絡(luò)計算原理 [EB/OL].[2021-12-01].https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=SNAD&dbname=SNAD&filename=SNAD000000021357&uniplatform=NZKPT&v=TjRX_0fSS4sAet85v4sdLXRBhcWN8PQjxtIi3vwL8fibWfuTwnZvIKvJMAd2Daf7f3noMlfsQRI%3d.

[6] 姜凡.基于長短期記憶神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測研究 [D].湖北：湖北工業(yè)大學，2021.

[7] 易禮秋，谷云東.基于長短期記憶神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測 [J].中州大學學報，2021，38（4）：109-116.

[8] CHRISTOPH J，BERKENBRINK C，BRITTA S. Prediction and reconstruction of ocean wave heights based on bathymetric data using LSTM neural networks [J/OL].Ocean Engineering，2021，232：[2021-12-08].https：//www.sciencedirect.com/science/article/abs/pii/S0029801821004819？via%3Dihub.

[9] CHENG N，KUO A. Using Long Short-Term Memory（LSTM）Neural Networks to Predict Emergency Department Wait Time [J].Studies in health technology and informatics，2020，270：1425-1426.

[10] 陳亮，王震，王剛.深度學習框架下LSTM網(wǎng)絡(luò)在短期電力負荷預(yù)測中的應(yīng)用 [J].電力信息與通信技術(shù)，2017，15（5）：8-11.

作者簡介：李永政（1994—），男，漢族，山東濟寧人，碩士研究生在讀，研究方向：大數(shù)據(jù)處理與分析FDF709A5-904C-4717-8E91-126731B2A384