基于Logit模型的我国各省市就业率预测研究
基于logistic模型对中国未来人口的预测分析
基于logistic模型对中国未来人口的预测分析随着中国人口的快速增长和老龄化趋势的加剧，人口预测成为了一个重要的研究领域。
在这样的背景下，基于logistic模型的人口预测分析成为了一种广泛采用的方法。
在本文中，我们将介绍logistic模型以及如何使用它来预测中国未来的人口趋势。
Logistic模型是一种经典的数学模型，它常用于描述一种随时间变化的现象。
在人口预测中，logistic模型也可以用来描述人口随时间变化的趋势。
首先，我们需要对logistic模型有一定的了解。
Logistic模型的表达式如下：P(t) = K / (1 + b exp(-r(t-T)))其中，P(t)表示t时刻的人口数量，K表示人口数量的上限，b、r、T分别是与增长速率相关的系数。
Logistic模型的意义在于，当t接近无穷大时，P(t)会趋近于K。
在中国的人口预测中，logistic模型的应用主要分为两步：首先，我们需要拟合一条曲线，以描述人口数量随时间变化的趋势；其次，我们需要使用该曲线来预测未来的人口数量。
对于中国的人口预测，我们可以将logistic模型应用于历史人口数据，然后将该模型应用于未来的人口预测。
以下是中国历史人口数据的示例：| 年份 | 人口数量（单位：亿） ||-----|--------------------|| 1950 | 5.2 || 1960 | 6.7 || 1970 | 8.5 || 1980 | 9.9 || 1990 | 11.2 || 2000 | 12.1 || 2010 | 13.3 || 2020 | 14.4 |使用这些历史数据，我们可以建立一个logistic模型，并使用该模型来预测未来的人口趋势。
在此之前，我们需要先对历史数据进行处理，以便进行拟合和预测。
我们可以将历史数据做如下处理：1. 将人口数量除以10亿，以便人口数量接近1。
2. 将年份减去1950，将起始年份变为0。
基于logistic模型对中国未来人口的预测分析
基于logistic模型对中国未来人口的预测分析随着科技的进步、生活水平的提高，人口问题逐渐成为探讨的热门话题。
而对于一个国家来说，人口状况则直接关系到其经济、社会、文化等方方面面的发展。
因此，对于中国未来人口的预测分析显得尤为重要。
本文将使用logistic模型对中国未来的人口趋势进行预测与分析。
一、logistic模型的介绍logistic模型是一种描述非线性关系的数学模型，广泛应用于数据的分类与预测。
在人口预测中，我们可以使用logistic模型来研究人口的增长趋势，进而对未来的人口情况做出预测。
二、中国人口的现状据国家统计局公布的数据，截至2021年末，中国全国总人口为14.15亿人，较上年末减少。
而在年龄结构方面，60岁及以上人口占比达到18.7%，人口老龄化问题日趋严重。
同时，由于计划生育政策的实施，生育率下降，也给人口增长带来了一定的挑战。
1.数据的处理与建模我们可以通过收集历史人口数据，以及当前的人口情况，建立人口趋势的函数模型。
在logistic模型中，我们可以首先将人口数值转换为人口密度，然后建立如下的logistic方程：f(x) = L / (1 + exp(-k(x-x0)))其中，L为人口容量，即某一地区或整体可承受的最大人口量；k为增长指数，描述了人口增长的速率；x0为时间中心点，即人口增长趋势的拐点。
2.参数估计我们可以通过将历史数据代入logistic方程，来求解参数L、k、x0的估计值。
这样构建出的模型将成为对中国未来人口变化的预测。
3.模型的应用和分析通过使用logistic模型，我们可以对中国未来的人口趋势做出预测和分析。
例如，我们可以估计未来中国的人口密度在何时会达到饱和状态，或者某一区域人口增长可能会出现的拐点。
同时，我们也可以通过模型预测，得出相关的数据分析结果，例如：- 老年人口占比是否会增加？- 城市与农村地区的人口比例将发生怎样的变化？- 未来人口增长是否会抵消计划生育政策对人口下降的影响？这些问题的解答将对未来的政策制定和生活规划具有一定的参考价值。
基于排序logit模型的城镇就业风险分析与预测——兼论金融信用危机情形下促进我国就业的应对措施
理论 ・ 方法与案例 基于排序 ｌ ｉ ｏｔ ｇ 模型的城镇就业风险分析与预测
： ３ 作年龄段 的新增劳动力、 常城镇化 进程需要转 发现城镇经济活动人 Ｈ占总人 １ 比重对失业率有 正
中国软科 学 ２ １ 第 ４期 ００年
基于排序 ｌｇ 模型的城镇就业 ｏｉ ｔ 风险分析与预测
兼 论金 融 信用危 机 情形 下促 进 我 国就业 的应 对措 施
黄 波， 王楚明
金融学院 ， 上海 ２ １２ ） ０６ ０ （ 上海立信会计 学院
摘
要： 依据 ｌｇ 模型对我 国就业风险进行度 量和预测 ， ｏｉ ｔ 结果发现 ： １９ 以 ９ ７年 亚洲金 融危机为 比照， 时下的金
ｍ ｎ ａｄｍｅｉ ｎ ｍ ｌ ｉ ｄｐ ｖｔ —ｒｎｅ ｔｐ ｓｓ ａｊｓ ｅｔ ｆ ｎｕｔ ｔ ｃ ｒ ａｄｃｏｓ ｅｉ ａ ｉｄｓ ｅｔ ｄｕ ａｄｓ ａ ｚ ｒ ａ ｎ ｍ ｌ ｓ ｅ ｉ ｅ ｕ ｎｅ ｒ ｅ， ｄｕｔ ｎ ｄ ｓｙｓ ￣ｔ ｅ ｎ ｒｓ —ｒ ｏ ｌｎ ｕ・ ｒｉ ｍ ｏｉ ｒ ｒ ｕ ｇｎ ｔ ａｓ ｒ ｅ ｐｏｍ ｎ ｏ ｅｐｎｉ ａｙｆ ｃｌ ｎ ｏｅａ ｏ ｃ ｓｆ ｏｅｊ ｓ ｉ ｐｏｅ ｅｔ ｆ ａｏ ａｋｔ ｎ ｒ ｔ ｎｆ ， ｍ ｌ ｅｔ ｆ ｘａｓ ｎｒ ｓａ ａｄｍ ｎｔｒ ｐｌ ｉ ｒｍ ｒ ｏ ， ｍ ｒｖｍ ｎ ｏ ｂ ｒ ｒｅ ａｄ ｙｒ ｅ ｙ ｏ ｉ ｙ ｉｅ ｏ ｂ ｌ ｍ人数 ８６ ８ 万人 ， ３ 较 季度末增加
美 国次贷危机引发了全球金融海 啸， 进而对 ５ 万人 ， ６ 城镇登记失业率也 由３ 季度的 ４ ％上升至
我国经济发展和就业产生了较大负面影响。据国 ４２ ．％。另据 ２０ 年城镇就业分析表明： ０９ 全国将有
基于logistic模型对中国未来人口的预测分析
基于logistic模型对中国未来人口的预测分析中国是世界上人口最多的国家，人口问题一直是中国社会经济发展的重要因素之一。
通过对中国未来人口的预测分析，可以为政府制定相关政策提供依据，以应对可能出现的社会问题。
logistic模型是一种常用的人口预测模型，它基于数学和统计方法，能够通过对历史人口数据的分析，预测未来的人口趋势。
该模型假设人口增长具有一个饱和度，即人口增长速度随着人口数量的增加逐渐减缓，并最终趋于稳定。
要进行中国未来人口的预测分析，首先需要收集和整理大量的历史人口数据，包括人口数量和相关的社会经济指标。
然后，可以利用logistic模型对这些数据进行拟合，得出一个适合中国人口增长情况的数学模型。
logistic模型的数学表达式为：P(t) = K / (1 + A * e ^ (-B * t))P(t)表示时间t对应的人口数量，K表示人口达到饱和时的最大值，A和B是待定参数，e表示自然对数的底。
对于中国未来人口的预测分析，需要首先确定人口的饱和最大值K。
这可以通过对历史数据的分析，结合中国的社会经济发展情况，来估计中国的人口饱和状态。
考虑到资源的限制和生活质量的改善，人口不可能无限制地增长。
相关的政策和社会变化也需要考虑在内。
确定了人口饱和最大值后，可以使用历史数据拟合logistic模型，得到模型的参数A 和B。
然后，可以根据参数和已有的时间数据，预测未来的人口趋势。
logistic模型的预测结果需要进行验证和修正。
由于人口预测是一个复杂的问题，涉及到许多因素，如经济发展、社会政策、生育率和死亡率等，因此需要综合考虑其他相关的因素。
不同地区之间的差异也需要进行分析和预测。
在进行中国未来人口的预测分析时，还需要考虑到数据的可靠性和准确性。
历史数据的收集和整理需要尽可能的全面和准确，以提高模型的预测效果。
使用多种数据源并进行数据验证可以提高模型的准确性。
基于logistic模型进行中国未来人口的预测分析可以为政府决策提供参考依据，但需要注意模型的合理性和数据的可靠性，以及综合考虑其他相关因素。
基于Logistic回归模型分析大学生就业影响因素-2019年精选文档
基于Logistic回归模型分析大学生就业影响因素-2019年精选文档基于Logistic回归模型分析大学生就业影响因素一、数据分析文中的数据采集自山东财经大学燕山校区统计学院统计0801、统计0802共62名毕业生，包括他们的就业、学习、思想和基本情况，数据来自于统计学院学生工作办公室，因此，数据真实可信。
基本情况包括学生的学号、姓名、性别、班级和户籍性质。
学习情况中有学生大学四年平均绩点和英语等级成绩情况。
思想情况包括学生的政治面貌状况以及大学期间是否担任班内职务状况。
数据中的户籍性质分为城市户籍和农村户籍。
英语水平分为未过六级和过六级两种情况。
此外，还需要特别说明的是，两个班共有毕业生79人，本文所研究的就业状况中不包括考取研究生以及出国深造的学生，这样，除去考取研究生和出国深造的毕业生17人以外，实际有效样本量是62人。
本案例中所采用的数据的基本特征如表1所示：从表l可以看出，研究中的山东财经大学12届统计学62名毕业生中，成功找到工作的有34名，占到所调查总数的54.8%。
性别方面，女生毕业生比例达到67.7，男女生的比例有着显著的区别，这也符合经济类院校的特点。
61.3%的学生都是城市户口。
学习成绩用毕业生大学四年的平均绩点表示，平均绩点在2.8到3.7之间的占到41.9%，平均绩点介于这个水平的可以认为是学习成绩较优秀的毕业生。
有45.2%的学生通过了大学生英语六级考试，有24.2%的毕业生是党员身份，大约20%的毕业生在大学期间担任过一定班级职务。
二、大学生是否就业的Logistic回归模型在因变量是分类变量时，通常采用Logistic回归分析来研究分类因变量与一组解释变量之间的关系。
本文中将就业与否作为模型的因变量，其取值有两种可能，是和否。
本文从六个方面探讨毕业生就业的影响元素：学业成绩、是否是党员、性别、英语等级、籍贯、是否担任过班内职务，这六个元素便是模型的自变量。
本文构建的Logistic回归模型为下：三、模型的相关检验采用的是SPSS中默认的逐步回归方法选择自变量。
Logistic回归模型分析下大学生就业影响因素研究word精品文档4页
Logistic回归模型分析下大学生就业影响因素研究一、大学生就业在知识经济时代背景下，我国大学毕业生人数呈现出逐年增长的趋势，但不同行业、领域工作岗位并没有大幅度的增加，大学生就业形势日渐严峻，毕业之后无法顺利走上工作岗位，“毕业即失业”已成为一种普遍现象，大学生就业已成为社会大众关注的焦点。
同时，在不同行业、领域发展过程中，社会市场竞争日渐激烈，社会经济结构大幅度调整，下岗与失业人员持续增加，社会对高校毕业生并没有过多的需求，加上大量农村剩余劳动力不断涌向城市，尤其是大城市，每年新增设的就业岗位数量远远少于社会中待业人数，处于不均衡状态，二者间的矛盾日渐激烈，出现了“就业难”这一现象，在就业道路上，大学生面临着巨大的挑战。
针对这种情况，我国必须全方位立足基本国情，全方位客观分析影响大学生就业的一系列因素，根据不同行业、领域发展情况，采取针对性措施有效解决大学生就业问题，确保各专业大学生毕业后顺利就业，更好地融入到社会这个大集体中，在平凡的工作岗位上充分展现自身各方面价值，促进不同领域、行业发展的同时，加快和谐社会构建步伐。
二、Logistic回归模型分析下大学生就业影响因素1.数据分析在知识经济时代背景下，各类技术持续发展，Logistic回归模型也应运而生，被应用到不同方面数据分析中，发挥着关键性作用，利于相关人员更好地了解各方面情况，制定合理化方案。
在分析影响大学生就业因素方面，Logistic回归模型也被应用其中。
相关人员以某地区高校毕业生为例，借助Logistic回归模型，全面、客观分析了毕业班学生各方面情况，比如，思想、学习、就业，获取的信息数据具有较高的准确率，准确把握影响大学生就业的各类因素。
在学习方面，专业学生大学四年平均绩点、等级等级：英语、计算机，在思想方面，毕业班学生政治面貌、担任职务等。
在此基础上，毕业班学生基本情况也包含其中，比如，姓名、学好、性别、户籍，户籍方面，将其划分为农村户籍、城市户籍，英语方面，以是否过六级为基点，借助Logistic回归模型，科学分析各方面信息数据，对院校毕业班学生有大致了解。
基于Logistic回归模型的数学专业大学生择业就业对比分析
基于Logistic回归模型的数学专业大学生择业就业对比分析【摘要】本文通过基于Logistic回归模型的分析，研究了数学专业大学生在就业市场上的现状和趋势。
首先介绍了Logistic回归模型的理论基础，然后对数学专业大学生的就业现状进行了详尽分析。
接着利用Logistic回归模型对数学专业大学生的就业进行了预测，并对预测结果进行了对比分析与讨论。
最后结合数据处理与模型评价，探讨了就业市场对数学专业大学生的影响以及Logistic回归模型在大学生择业就业中的应用价值。
本研究为理解数学专业大学生的就业状况提供了新的视角和方法，同时也为相关领域的未来研究提供了一定的参考和展望。
【关键词】数学专业、大学生、择业就业、Logistic回归模型、对比分析、数据处理、模型评价、就业市场、影响、应用价值、展望1. 引言1.1 研究背景数目、格式要求等等。
数学专业一直以来都是学科中的重要分支之一，其所掌握的严谨的逻辑思维与抽象推理能力被认为是许多行业和企业所需的核心素养。
随着社会经济的发展和就业市场的变化，数学专业的大学生们在就业选择上也面临着诸多挑战。
一方面，传统数学岗位的需求有所减少，新兴行业和职位对数学专业人才的需求增加。
了解数学专业大学生的就业现状，并预测未来的就业趋势，对于帮助学生选择职业方向，提高就业竞争力具有重要的意义。
基于以上背景，本研究将运用Logistic回归模型对数学专业大学生的就业情况进行分析与预测，从而探讨数学专业学生在当前就业市场中的优势和挑战，为他们未来的职业发展提供参考与指导。
通过研究Logistic回归模型在大学生择业就业中的应用，也将进一步探讨该模型在其他领域的潜在应用价值，为相关研究提供新的思路和方法。
1.2 研究意义数目统计等。
部分如下：通过对数学专业大学生的就业现状进行分析，可以帮助学生了解目前的就业市场需求和趋势，为他们未来的求职打下基础。
利用Logistic回归模型进行预测分析，可以帮助学生和教育部门更好地了解数学专业毕业生的求职状况，有针对性地进行职业规划和指导。
高校毕业生就业状况Logistic模型影响因素统计分析——基于内蒙古地
Ｊ ｏ ｕ ｒ ｎ ｌ ａ ｏ ｆ Ｉ ｎ ｎ ｅ ｒ Ｍｏ ｎ ｇ ｏ ｌ ｉ ａ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
第２ ４卷
第 １期
（ Ｓ ｏ ｃ ｉ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ）
业难 的问题越来越普遍。无论是面对人才市场拥挤
的场 面 ， 还是 大 学毕 业生 找不 到工 作失 落 的表情 、 无 奈 的背 影 ， 这一切都 提醒着我们 ， 就 业 形 势 非 常 严
峻 。党 和政 府 已经把 促 进就业 放 在社会 经 济发 展 的 重 要优 先位 置 ， 各级 地 方 政 府 也 认 真 贯 彻 落实 就 业
调查 获取 的 数 据 中 ， 分 离 专 业 因素 为 分 类 变 量 （ 理
一
、
毕业 学校影 响就 业
科、 工科 、 经济 管 理 ） 。 以就 业 状况 和 专 业 变 量数 据 建立 Ｌ ｏｇ ｉ ｓ ｔ ｉ ｃ 模型 ， 采用 Ｒ软 件进行 分 析计算 得 到 ：
为 了分 析 学 生 毕业 学 校 对 就业 的影 响 ， 我 们 在 调查 获取 的数 据 中 ， 分 离 整 理 毕业 学 校 因素 为 分 类
况。通过建立的 Ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ回归模型分析学生 自身素质 内因和社会 支持外 因对就业 的影 响。实证结
果表明 ， 内因是决定 高校 毕业 生就业竞争力 的关键 因素 ； 社会 支持的强弱也会影 响就业结果 。学校
提供的求职信息对求职结果 、 起薪水平和工作满意度都有显著 的影 响； 家庭经济条件和社会关系对 毕业生的求职结果 、 起薪和工作满意度有显著的正 向影响 ； 学用 结合 程度 高的毕业生的工作满意度 更高。高等教育 的专业结构与教育质量等教育产 出与社会 的需 求不 一致是 目前大学毕业生就业难
基于Logit模型分析的高校毕业生就业政策执行过程研究
分析 了高校毕业 生就业政策 的执行 过程调 查数 据来源和模 型 ， 得 出了执行 机关、 目标群体和环境 因素对 高校毕业 生就 业政 策执行过程的影 响较大的结论 。最后提 出了 政 策建议 ： 强化就业政 策执行机 关的报务 意识 ； 有效整合社 会资源帮助毕业生就业； 营造好 的就业环境 。
问 卷调 查 的样 本包 含 了不 同收入 层 次 、 文化 程度 、 就 业 单位 性 十分严峻， 就业 压 力 逐渐 增 大 ， 所 以就 业政 策 就愈 来 愈 受到 社会 的 质和 就业 情况 ， 随机 性较 强 ， 保 证了 分析结 论的 可靠性 。其 中 ， 男 性 关注， 尤其 是 就业 政策 的执 行过 程显 得 更加 重要 。 目前我 国学 者对 占 ６ ２ ． ０ ７ ％， 女性占 ３ ７ ． ９ ３ ％； 高校 毕 业 生的 收入 大多 集 中在 ２ ５ ０ ０元 就业政 策 的研究 主要集 中在 以下 几个 方面 ： 左右， 占到 ８ ４ ％ 左右 ， ４ ５ ０ ０ 元 以上的 为 ３ 名 往届毕业 生 同学 的收入 ， １ 、 法 律 视 角 下 的就 业 政 策 占０ ． ８ ６ ％； 准 备就 业主 要是 指那 些 已毕业 ， 还 没有 正式 工作 的 同学 ， 吴庆 … 从 大学 生就业 政 策过 程优 化的 角度 出发 ， 认为大 学 区别 于自 由职业 ， 占２ ． ３ ０ ％， 准备 升学 是指 工作 一段 时间 后 ， 准 备 继 生对于 就业 政策的 认知缺 陷与 大学生 在就业 决策 过程 中缺乏参 与具 续 读书 的同学 ， 占１ ． ７ ２ ％， 直接就业 占 ６ ７ ． ８ ２ ％； 所在 单位的 性质多 为 有 密切 联系 。马丽娜 】 （ 指 出解决 大学生就 业难 的一个关键 因素 民营企业 和个 体企业 ， 占８ ６ ％。 就 是 如何 用法 律 的手段 采解 决 目前 毕业 生面 临 的就业 陷阱 ， 进 而促 三、 高校 毕业生就 业政策 执行 过程模型 分析 进 大学 生的顺利 就业 。黄莉萍等 １ 【 从 法律视 角对 高校科研项 目 ｌ 、 二 元 离散 选择模 型 吸纳大 学 毕业 生工 程实 施过 程 中的相 关 问题予 以梳理 ， 从而 有效 保 对于 二元选 择 问题 ， 可 以建立 如下计 量经 济学模 型 。其中 Ｙ 为 护 大学毕 业生的权 利 ， 进而 使该工程 得以在 法律保障下 良性运 转 。 观测值为 １ 和０ 的 决策 被 解释 变 量 ； ｘ 为解 释变 量 ， 包 括选 择 对 象 ２ 、 市场视 角下的就 业政策 所 具有 的属性和 选择主 体所具 有的属 性 。对 于效用 模型 ： 姚裕 群 】 ｆ 指 出解决 大学 生就业 问题 ， 需 要进一 步 分析大 学 ： Ｘ Ｂ ＋ ， 第ｉ 个个体 选择 １ 的效 用 。 Ｘ Ｂ 。＋ 毕 业 生供 求 的调 节 、 市 场 就业 环 境 的塑 造 、 相关 的 高等 教 育体 制 改 第ｉ 个 个体 选择 ０ 的 效用 。 革、 高 校就 业指 导工 作 的强 化和对 大 学生 的观 念教 育与 职业 生涯 指 由上 式 得 ： 一 ： ｘ （ Ｂ ） ， ＋ （ 一 ０ ３ ， 可 以得 出： Ｙ Ｘ ｉ Ｂ＋ ／ ｌ ， 作 为 导 问题 。周建 民等 ¨ 指 出我 国大 学 生就 业政 策调 整 应 以利 益 研 究对 象 的 二元 选 择模 型 ， Ｐ （ ｙ 一１ ） 一Ｐ （ Ｙ ７ ＞ｏ ） 一尸 （ 一 ｘ。 Ｂ ） 。 机 制不 断完 善大 学 生 就业 市 场 、 以利 益 补偿 机 制引 导 大学 生 就业 、 可 以得 出 ： 在 模型 中 ， 效 用是不 可观 测 的， 人们 能够 得到 的观测 值仍 以利益 平衡机 制确 保大学 生就 业中 的公共 利益 。 ’ 然 是选择 结果 ， 即ｌ 和０ 。
Logistic回归模型的应用_大学生就业状况因素分析
Logistic 回归模型的应用 ———大学生就业状况因素分析金林 (中南财经政法大学信息学院 湖北 武汉)【摘要】 本文在简要介绍了Logistic 回归模型后,利用从某高校取得的数据,运用多元Logistic 回归分析方法,对在高校扩招条件下影响大学生就业的因素进行了分析。
结果显示,在所有被考虑的自变量相同的情况下,被调查学生能否成功就业与性别、籍贯、是否为党员以及英语水平的高低等因素密切相关。
【关键词】 Logistic 回归 就业 多项l ogit 模型 Logistic 回归模型是在分析分类因变量时最常使用的统计分析模型之一。
1 Logistic 回归模型Logistic回归模型的Logit 形式为当有个自变量时,模型就扩展为通常意义上的Logistic 回归要求因变量y 只有两种取值即二分类变量。
其实,Logistic 回归模型并不局限于应用在二分类反应变量。
对于多分类反应变量,即分类数在三类或三类以上的分类反应变量),只要对模型稍作改进,Logistic 回归同样适用。
而且多分类反应变量既可以是次序测量也可以是名义测量。
在多分类反应变量类别不存在次序关系时,可以采用多项Logit 模型;当多分类反应变量类别之间有次序关系时,应该采用累积Logistic 回归模型或序次Logistic 回归模型。
下面主要讨论一下多项Logit 模型。
如果非次序分类因变量y 有个值,多项Logit 模型可以通过以下l ogit 形式描述:即在多项Logit 模型中l ogit 是由反应变量中的不重复的类别的对比所形成的。
因此如果以其中一个类别作为参考类别,其他类别都同它相比较可生成J -1个的Logit 变换模型。
在有J 个类别的多项Logit 模型中,J -1个l ogit 可表述为:其中最后一个类别就是参照类别。
2 Logistic 回归模型应用实证分析本案例利用某大学一个系某年140名应届毕业生的就业情况和在大学四年在学习,思想上的综合数据,运用Logistic 多元回归分析方法,对影响应届大学毕业生就业成功的因素进行分析。
基于Logistic回归模型分析大学生就业影响因素
基于Logistic回归模型分析大学生就业影响因素作者：张建杨琛来源：《人力资源管理》2013年第11期摘要：利用山东财经大学统计学院2012届本科毕业生的就业数据，以Logistic回归模型为基础，从定量角度对当代大学生就业问题做一定分析，政治面貌、户籍性质、学业成绩、外语水平等因素对毕业生就业情况有很大影响。
关键词：Logistic回归模型就业影响因素一、数据分析文中的数据采集自山东财经大学燕山校区统计学院统计0801、统计0802共62名毕业生，包括他们的就业、学习、思想和基本情况，数据来自于统计学院学生工作办公室，因此，数据真实可信。
基本情况包括学生的学号、姓名、性别、班级和户籍性质。
学习情况中有学生大学四年平均绩点和英语等级成绩情况。
思想情况包括学生的政治面貌状况以及大学期间是否担任班内职务状况。
数据中的户籍性质分为城市户籍和农村户籍。
英语水平分为未过六级和过六级两种情况。
此外，还需要特别说明的是，两个班共有毕业生79人，本文所研究的就业状况中不包括考取研究生以及出国深造的学生，这样，除去考取研究生和出国深造的毕业生17人以外，实际有效样本量是62人。
本案例中所采用的数据的基本特征如表1所示：从表l可以看出，研究中的山东财经大学12届统计学62名毕业生中，成功找到工作的有34名，占到所调查总数的54.8%。
性别方面，女生毕业生比例达到67.7，男女生的比例有着显著的区别，这也符合经济类院校的特点。
61.3%的学生都是城市户口。
学习成绩用毕业生大学四年的平均绩点表示，平均绩点在2.8到3.7之间的占到41.9%，平均绩点介于这个水平的可以认为是学习成绩较优秀的毕业生。
有45.2%的学生通过了大学生英语六级考试，有24.2%的毕业生是党员身份，大约20%的毕业生在大学期间担任过一定班级职务。
二、大学生是否就业的Logistic回归模型在因变量是分类变量时，通常采用Logistic回归分析来研究分类因变量与一组解释变量之间的关系。
基于logistic模型分析本硕毕业生就业竞争力的研究
孙瑞雪，唐剑 *，马瑞新，朱成龙，罗姚 （阜阳师范学院数学与统计学院，安徽 阜阳 236037）
摘 要院 使用 Logistic 回归和判别分析结合的数学模型，以合肥市的应届硕士毕业生与就业 3 年的本科 生学生为例，建立了准确的指标，并建立了 Logistic 回归模型，进而使用极大似然法，通过 SPSS 软件 求解得到回归方程。根据概率值 P 界定大学生是否需要考研，并通过进一步的计算和验证，采用 Logis原 tic 回归判别解决毕业生就业选拔的问题，为大学生提供了更为合理、准确的职业规划和指导建议。 关键词院 Logistic 回归模型；SPSS 检验；极大似然法；判别分析
在统计学中袁 样本量的大小取决于自变量的个数以 及所要估计参数个数袁 通常回归模型是要建立在大样本 数据的基础上袁 在使用 Logistic 回归之前袁 样本个数应 该是自变量个数的 10 倍以上袁 即样本个数不低于 100 个遥 研究的因变量为二分类变量院 考研深造和出来就 业袁 对于本科生直接出来就业就有较高的薪资水平和上 升空间的就不需要考研袁 反之则需要考研遥 通过问卷调 查的形式调查合肥本科生的上述情况袁 在确定样本数量 时袁 应该注意的是袁 在调查过程中袁 学生不可避免地出 现不认真填写表格袁 没有向填写表格的学生说明情况遥 这将导致一些学生填写的问卷无效遥 从分发的 13000 份 问卷中袁 收集了 11390 份有效问卷遥 为了克服偶然事
在国外也存在本科毕业后直接工作还是继续深造的 现象袁 因此国内外学者都对这两类人群就业中存在的差 异问题进行了大量的研究遥 在其他国家袁 只有少数学者 将硕士生作为一个特殊的群体[1]袁 他们在硕士研究生就 业方面的理论和实证研究有突出成就曰 目前国内外对 硕士生和本科生就业情况分析作已经有初步的数据袁 在这些数据的基础上袁 文中研究更精细化袁 更具体化遥 有关的研究积累和以取得的成绩院 在人们步入社会袁 竞争求职等关系中袁 社会资本论袁 人力资本论已比较 成熟[2]遥 人力资本论院 最早是由美国著名经济学家西奥 多舒尔茨和加里贝克尔提出 野人力资本冶 概念的遥 二 十世纪年代袁 就任经济学年会主席的舒尔茨认为 野人 们获得了可以被视为资本形式的有用知识和技能袁 而 这种资本在很大程度上是精心投资的结果遥 这些投资 用于医疗保健袁 教育和旨在实现更好的工作渠道的国 内移徙的直接支出是一个明显的例证遥冶遥 社会资本的 概念最初是从社会学领域延伸出来的袁 是在人力资本 之后提出的又一资本概念遥 第一个提出 野社会资本冶 概 念[3]的是法国社会学家布迪厄袁 他在 叶社会资本随笔曳
基于logit模型的大连市高校毕业生就业意向分析
基于ｌｏｇｉｔ模型的大连市高校毕业生就业意向分析作者：赵建国么晓敏王海波来源：《财经问题研究》2008年第09期摘要：本文在对大连市高校毕业生就业意向进行调查的基础上，基于logit二元离散选择模型对影响大连市高校毕业生就业的关键因素进行了实证分析，根据分析结果从大连市的就业环境、产业结构、经济发展状况、相关人才政策等方面为大连市政府合理安排高校毕业生就业及吸引高层次人才留连工作提出了相应的政策建议。
关键词：就业意向；影响因素；logit模型；大连；高校毕业生中图分类号：F241 文献标识码：A文章编号：1000-176X(2008)09-0024-一、引言高校毕业生是国家宝贵的人才资源，是经济建设和社会事业发展的生力军。
近年来，在大连市政府的高度重视下，大连市接收高校毕业生总量逐年增加，质量不断提高。
“十五”期间，大连市围绕重点行业、支柱产业、结合城市发展定位对毕业生资源的需求，接收各类毕业生约10万人，为超前吸纳、储备人才创造了良好的条件。
但是，随着改革的深入和经济结构的调整，大连市的人才状况从全国范围来看却不容乐观。
在大连市高校2006届毕业生就业生中，仅有三成留连就业。
据对16所在连高校统计，共培养2006届专科以上学历毕业生及毕业研究生42 872人，有16 300名毕业生在大连市实现意向就业，占2006届毕业生总数的38%，占大连市协议接收毕业生总数的32%[1]。
根据2005年中国200城市综合竞争力排名统计显示，大连市综合水平位于17位，落后于上海市、北京市、深圳市等城市，但在人才能力指标方面大连市排在41位，明显处于弱势地位，与综合指标相比并不相称[2]。
综合大连市人才的整体情况，可以发现，一方面，大连市本地高校毕业生就业难的问题日渐突出，就业压力日益增大。
有数字显示，大连市吸纳的人才中外地生源毕业生为5．2万人，即多数本地高校毕业生并没能留在大连市[1]。
另一方面，受经济社会发展水平的制约，北三市（瓦房店市、普兰店市、庄河市，下同）和长海县接收各地高校毕业生的数量逐年下降，出现人才匮乏的现象。
基于机器学习的高校毕业生就业预测模型研究
基于机器学习的高校毕业生就业预测模型研究近年来，随着社会和科技的不断发展，高校毕业生就业问题越来越受到广泛关注。
而机器学习作为一种应用广泛的大数据处理技术，也被越来越多地应用于毕业生就业领域。
本文将从机器学习的角度出发，探讨基于机器学习的高校毕业生就业预测模型研究的现状、意义和方法。
一、现状在当前的毕业生就业预测模型研究中，机器学习技术已经成为一种核心技术。
通过机器学习技术的应用，可以在海量的毕业生数据中提取有用的特征信息，通过算法训练和数据演化等过程，建立起一套完整的预测就业模型。
这种模型，概括而言可以通过以下方面进行应用：1.学生档案分析通过学生档案分析，我们可以对未来毕业生的就业情况进行宏观分析。
这种分析包括对学生的专业背景、素质特征、平时表现等多方面内容的考虑。
比如，统计学生毕业后就业情况的各方面特征，分析就业岗位的选择和单位性质等等。
2.企业需求分析针对企业需求的分析，我们可以在毕业生就业过程中，通过机器学习技术的应用，建立起一套适配企业需求的预测模型。
这种预测模型不仅可以帮助学生进行更加准确的职业选择，还可以为企业在招聘时提供更加精准的人才建议。
3.人才评价与人才推荐在毕业生就业预测模型中，还可以通过机器学习技术进行毕业生人才评价和人才推荐。
具体而言，通过综合分析毕业生的职业背景、求职意向、求职结果等各个方面特征，建立起一套更加科学、合理、准确的毕业生人才评价与推荐模型。
二、意义基于机器学习的高校毕业生就业预测模型研究，具有极其重要的实际意义。
具体而言，它可以通过如下方面的实际应用，为毕业生、学校和企业各方面带来不同程度的实际利益：1.为学生选择择业方向，提供科学、准确的建议在高校毕业生中，真正深度了解自己职业兴趣和职业发展规划的毕业生并不多。
而基于机器学习的高校毕业生就业预测模型，可以通过综合分析多方面的特征，为学生选择择业方向，提供科学、准确的建议和参考。
2.优化供需关系，提高毕业生就业率通过机器学习技术的应用，高校毕业生就业预测模型可以帮助企业更加准确地衡量人才需求，充分了解不同行业的毕业生分布趋势，从而优化企业的供需关系，提高毕业生的就业率。
基于机器学习的高校毕业生就业预测研究
基于机器学习的高校毕业生就业预测研究随着社会的发展，高等教育的普及率逐渐提高，高校毕业生的就业竞争也越来越激烈。
为了提高毕业生的就业率，同时也更好地满足企业的需求，许多研究机构和高校开始利用机器学习等先进技术进行毕业生就业预测。
一、机器学习的意义机器学习是一种人工智能领域的技术，它具有强大的数据分析和处理能力。
传统的预测方法主要是统计模型和规则引擎，但是这些方法需要人为构建模型和设置规则，难以应对大规模数据和复杂场景。
而机器学习具有自我学习和适应能力，可以自动发现规律和模式，帮助人们更好地理解数据和决策。
这使得机器学习成为毕业生就业预测的有力工具。
二、数据源的选择数据是毕业生就业预测的基础，因此数据源的选择至关重要。
一般来说，数据源可以分为两类：内部数据和外部数据。
内部数据指的是高校及其附属机构收集的毕业生相关信息。
这些信息包括毕业生的专业、成绩、实习经历、志愿等。
这些数据能够反映毕业生的能力和倾向，是毕业生就业预测的基础。
外部数据指的是各种与毕业生就业相关的数据。
例如，招聘信息、行业分析、工资水平等。
这些数据能够反映就业市场的趋势和特征，可以辅助内部数据进行分析预测。
三、特征选择与提取在进行毕业生就业预测时，我们需要对所选择的数据进行特征选择和提取。
特征选择是指从原始数据中选取最具代表性的特征，这些特征能够反映问题的本质，并对模型的效果产生重要影响。
特征提取是指从原始数据中提取新的特征，这些特征能够比原有特征更好地反映数据的内在结构和规律。
特征选择和提取需要结合具体的问题和数据进行，常用的方法包括相关系数分析、Principal Component Analysis（PCA）和t-SNE等。
这些方法能够有效降维，并挖掘数据的隐含信息，提高预测的准确度。
四、模型选择和训练在进行毕业生就业预测时，我们需要选择合适的模型，并对模型进行训练和优化。
常用的模型包括回归模型、分类模型、聚类模型等。
这些模型各具特点，需要根据具体的需求进行选择。
基于有序Logit模型高校毕业生就业质量影响因素分析
基于有序Logit模型高校毕业生就业质量影响因素分析作者：***来源：《教书育人·高教论坛》2024年第02期[摘要]当前，解决高校毕业生就业难、提高就业质量已然成为社会各界关注的焦点。
本文在国内外既有研究基础上，学习借鉴以往的研究成果，利用问卷调查法对相关的样本数据进行搜集，借助于二元logistic、OLS、有序logi等对影响就业选择地的相关因素、起薪水平以及求职结果等进行回归分析，在此基础之上构建结构方程模型，对影响高校毕业生样本就业质量的相关因素进行了深入分析。
根据所形成的分析结论，有针对性地提出推动高校毕业生就业质量有效提升的对策。
[关键词]高校毕业生；就业质量；影响因素[中图分类号] G640 [文献标志码] A [文章编号] 1008-2549（2024） 02-0004-08社会各界向来都比较重视高校毕业生就业问题，且重视程度也在不断提高。
随着日渐健全的就业政策，加上各级部门长期以来坚持不懈地付出，尽管高校毕业生就业形势日渐好转，但是，毕业生就业质量如何？影响就业质量的因素有哪些？成为我们必须关注的内容[1]。
本文将对此进行研究，旨在促进高校毕业生群体稳定就业，提高就业质量。
一、就业质量的度量早在20世纪90年代，就诞生了关于“体面劳动”的说法，而其中就包含了就业质量的概念，指的是劳动者在劳动的过程中应当享受到应有的自尊、安全、自由以及平等的权利，在工作中获得应有的尊严[2]。
一般情况下，我们会从工作安全、劳动时间的合理性、工作稳定、就业机会等11个维度来综合评价体面劳动[3]。
我国学者也基于主客观两个不同的维度设定了用于对就业质量进行评价的指标，这些指标涉及了劳资关系、工作稳定性、工作时间、工作收入等多个维度，然而不同的劳动者拥有不尽相同的个人偏好，如果仅仅依靠客观指标将很难对就业质量作出科学评价。
对于本文而言，除了从就业和收入状况方面来评价高校毕业生的就业质量，同时还对其在就业中的主观满意度进行考察。
《基于机器学习的毕业生就业预测模型研究与应用》
《基于机器学习的毕业生就业预测模型研究与应用》一、引言在当前的信息化时代，毕业生就业问题一直备受社会关注。
为了更好地解决毕业生就业难的问题，提高就业预测的准确性和效率，本研究采用机器学习算法，构建了毕业生就业预测模型。
该模型旨在通过对历史数据的分析和学习，为毕业生提供更准确的就业趋势预测，从而帮助他们更好地规划自己的职业发展。
二、研究背景与意义随着高校毕业生人数的不断增加，就业问题逐渐成为社会关注的焦点。
毕业生的就业状况直接关系到国家经济的发展和社会的稳定。
因此，准确预测毕业生的就业趋势，对于提高毕业生的就业率和就业质量具有重要意义。
然而，传统的就业预测方法往往依赖于人工分析和经验判断，存在准确度不高、效率低下等问题。
因此，本研究采用机器学习算法，构建毕业生就业预测模型，以提高预测的准确性和效率。
三、相关文献综述近年来，机器学习在各个领域得到了广泛应用，包括就业预测。
相关研究表明，基于机器学习的就业预测模型可以有效地提高预测的准确性和效率。
例如，某研究通过分析历史数据，构建了一个基于决策树的就业预测模型，该模型可以有效地预测毕业生的就业趋势。
另一项研究则采用了支持向量机等算法，对毕业生的就业意愿和行业需求进行分析，提高了预测的准确性。
这些研究为本文提供了重要的理论基础和参考依据。
四、研究方法与数据来源本研究采用机器学习算法构建毕业生就业预测模型。
具体而言，我们选择了随机森林、支持向量机等算法进行模型构建。
数据来源主要包括各大招聘网站、高校毕业生就业数据等。
在数据预处理阶段，我们对数据进行清洗、去重、缺失值填充等操作，以保证数据的准确性和可靠性。
在模型构建阶段，我们采用交叉验证等方法对模型进行训练和优化，以提高模型的预测性能。
五、模型构建与实验结果1. 模型构建本研究构建了基于随机森林和支持向量机的毕业生就业预测模型。
在随机森林模型中，我们通过决策树的学习和集成，实现对毕业生的就业趋势进行预测。
在支持向量机模型中，我们通过对历史数据的分析和学习，提取出影响毕业生就业的关键因素，从而实现对就业趋势的预测。
《基于机器学习的毕业生就业预测模型研究与应用》
《基于机器学习的毕业生就业预测模型研究与应用》一、引言随着科技的发展和人工智能的崛起，机器学习在各个领域的应用越来越广泛。
在毕业生就业问题上，如何准确预测毕业生的就业趋势和就业方向，对于学生、学校以及社会都具有重要的意义。
本文旨在研究并应用基于机器学习的毕业生就业预测模型，以期为毕业生提供更准确的就业指导和决策支持。
二、文献综述目前，关于毕业生就业预测的研究多以统计分析和传统算法为主，但在数据的复杂性和多维度方面存在一定的局限性。
近年来，随着机器学习技术的发展，越来越多的学者开始尝试将机器学习算法应用于毕业生就业预测领域。
其中，基于深度学习的神经网络模型在处理复杂数据和提取有效信息方面具有显著优势。
然而，目前的研究仍存在数据来源单一、模型泛化能力不足等问题。
因此，本研究旨在综合多种数据源，构建一个具有较高预测精度的毕业生就业预测模型。
三、模型构建1. 数据来源与预处理本研究的数据来源主要包括教育背景、实习经历、技能水平、求职行为等。
首先，对数据进行清洗和整理，去除无效和缺失的数据，对数据进行归一化处理。
然后，将数据进行拆分，分为训练集和测试集。
2. 模型选择与参数设置本研究采用基于深度学习的神经网络模型进行毕业生就业预测。
在模型选择上，考虑到数据的复杂性和多维度特点，采用卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。
在参数设置上，通过交叉验证和网格搜索等方法确定最优的参数组合。
3. 模型训练与优化使用训练集对模型进行训练，通过反向传播算法对模型参数进行优化。
在训练过程中，采用早停法（Early Stopping）和正则化（Regularization）等方法防止过拟合。
同时，通过调整学习率和批处理大小等参数，优化模型的训练过程。
四、实验结果与分析1. 预测结果与评估指标使用测试集对模型进行测试，得到毕业生的就业预测结果。
评估指标包括准确率、召回率、F1值等。
通过对比不同模型的预测结果，评估本研究的模型在毕业生就业预测方面的性能。
基于混合Logit的居住地和就业地选择行为模型_焦朋朋
第３８卷 第５期２０１４年１０月武汉理工大学学报（交通科学与工程版）Ｊｏｕｒｎａｌ ｏｆ Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ（Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｃｉｅｎｃｅ ＆Ｅｎｇｉｎｅｅｒｉｎｇ）Ｖｏｌ．３８ Ｎｏ．５Ｏｃｔ．２０１４基于混合Ｌｏｇｉｔ的居住地和就业地选择行为模型＊焦朋朋１） 陈 帅２） 李扬威１）（北京建筑大学土木与交通工程学院１） 北京 １０００４４） （太极计算机股份有限公司２） 北京 １０００８３）摘要：为了剖析城市居民在选择居住地和就业地时的决策机理，利用混合Ｌｏｇｉｔ模型建立了城市居住地选择模型和就业地选择模型．针对北京２８个住宅小区进行了问卷调查，共发放２ ５２０份问卷，回收１ ９９４份有效问卷，利用调查数据对模型参数进行了估计．结果表明，“出行距离”是影响居民在进行居住地与就业地选址时的首要因素，除此之外，“轨道站点数量”是影响居住地选择的主要因素，“出行成本”则是影响就业地选择的主要因素．关键词：混合Ｌｏｇｉｔ模型；居住地；就业地中图法分类号：Ｕ４９１ ｄｏｉ：１０．３９６３／ｊ．ｉｓｓｎ．２０９５－３８４４．２０１４．０５．０１６ 收稿日期：２０１４－０８－３０ 焦朋朋（１９８０－）：男，博士，副教授，主要研究领域为交通规划与智能交通 ＊国家自然科学基金项目（批准号：５１２０８０２４）、住房和城乡建设部科学技术计划项目（批准号：２０１３－Ｋ５－６）、北京市教育委员会科技计划面上项目（批准号：ＫＭ２０１１１００１６００１）资助０ 引 言据调查，２０１０年北京居民平均通勤时间约为４５ｍｉｎ，与２００５年相比增长了１８．５％，只有３５％左右居民平均通勤时间在３０ｍｉｎ以内［１］．与此同时，随着北京市经济的高速发展，大规模的社区不断出现，像回龙观、望京、天通苑等人口在１０万以上的居住区已不再少见，在这些超大规模社区中，居住着北京市４７．１％以上的常住人口，但是其中有６０％以上的人口在市中心就业［２］，这就造成了就业人口与居住人口的比例严重失衡，居住与就业不平衡的问题逐渐显现出来．要想使城市交通系统与土地利用有效的协同发展，必须要掌握城市居民居住、就业和交通系统的时空发展规律．这不仅是解决职住平衡问题的关键，也是探讨城市人口、经济、土地、交通，以及城市规划之间相互作用，相互协调发展的主要前提．目前国外关于城市居住———就业空间组织与交通系统影响的研究主要侧重于对某个城市的居住和就业空间均衡性对居民出行影响的案例研究方面［３］．这类研究多是希望探究到城市居民居住地选址、就业地选址与不同土地利用之间的关系，并找到这种选择行为与出行距离、出行方式等因素的关系．最终将其作为相关规划指标制定的参考，为城市建模、政策制定提供支撑数据［４－６］．如ＮＡＶＩＤ ＆Ｓｔｅｗａｒｔ［７］通过多伦多的案例研究，发现同时增加多伦多中心区就业和居住用地开发，在考虑二者之间的均衡的前提下，高峰小时中心区交通网络的交通量并没有因为开发总量的增加而有太多的增加．还有，Ｌｅｖｉｎｓｏｎ Ｄａｖｉｄ［８］通过案例研究，揭示了居住与就业均衡性和土地混和使用、高密度开发、适当的居住环境设计等对城市交通和空间组织的影响．国内学者在居民通勤交通、城市空间布局、居住与就业等方面已有部分的研究成果，但是对于城市居民居住、就业与交通系统三者之间关系的研究涉及较少．如周江评［９］引入了西方关于居住就业“空间不匹配”的概念，把美国对于此观点的假设，以及成果应用于中国，以期达到研究中国未来城市空间的发展的目的；周素红等［１０］着眼于通勤交通与城市空间的关系，就居住地与就业地空间位置的均衡性、以及与居民出行的关系等方面进行研究，并对城市居住地与就业地空间关系开展了案例分析，结果显示，居住地与就业地空间分离产生的通勤交通是构成高峰小时交通需求的主要原因．１ 选择行为分析对居民居住地、就业地的选择行为的研究是为了找出各选择行为的影响因素，为解决职住不平衡产生的交通问题提供科学的决策支持．居住地的选址行为可以反映居民居住空间分布变化情况，可用于预测在未来城市社会经济发展水平和城市规模下通勤者出行对各种交通方式的可能利用情况及居住再选址情况，有助于从总体上真实、客观地把握未来城市可能产生的通勤交通流量．就业地选址的影响因素有很多，主要包括居民的年龄、性别、受教育程度、专业、行政区可提供的岗位数、家庭其他成员工作地或主要居住地的影响、土地利用地性质等，通常居民会倾向于选择薪酬回报较高、未来发展前景更好、更有利于照顾家庭的职业及工作所在地进行工作．居住地、工作地的选择是相互影响、不可割裂的．居民在进行居住地、就业地选择的过程中，对于选择的先后顺序很难做出界定．不同的选择顺序会对另一方的选择造成明显的影响．比如，一个个体先选择了工作的地址，那么他对于居住地的选择很大程度上会妥协于他的就业地的选择，反之亦同．由于上述选择难以分辨先后顺序，同时为了研究的开展，本文对于选择的先后顺序进行了假设．假设一：对于居住地选址行为的研究，假定所有的样本先选定了就业地；假设二：对于就业地选址行为的研究，假定所有的样本先选定了居住地．２ 居住地与就业地选址模型本文利用混合Ｌｏｇｉｔ模型分别建立居住地、就业地选址模型．选用混合Ｌｏｇｉｔ模型的原因：１）误差项的引入使混合Ｌｏｇｉｔ模型彻底摆脱了ＩＩＡ假设的束缚，并考虑了个体的重复选择的关联因素，可以直接对ＲＰ（ｒｅｖｅａｌｅｄ ｐｒｅｆｅｒ－ｅｎｃｅ）／ＳＰ（ｓｔａｔｅｄ ｐｒｅｆｅｒｅｎｃｅ）融合数据估计，能够对每个个体不同时期重复选择的潜在相关性给予解释，且不同选择项的交叉弹性可以不相等．２）混合Ｌｏｇｉｔ模型可以捕捉到选择项的不可观测效用，可以体现决策者的偏好特点．３）该模型是离散选择模型的通用模型，任何其他离散选择模型都可以在一定条件下通过混合Ｌｏｇｉｔ模型转换得到，并可以描述更复杂的选择行为．２．１ 居住地选址模型居住地选择的决策基本单元是家庭，通常家庭会倾向于选择具有更好的就业机会、更方便的购物条件、可达性高的居住区位．由于模型中的解释变量是基于个人及家庭偏好的选择，符合效用最大化的假定，因此可以基于离散选择分析的手段，对可能影响选择住址的因素进行分析．２．１．１ 模型特性变量的选取在多数文献中，仅考虑了时间和费用这两个主要变量，即使考虑其他变量，也多数是以线性形式直接代入效用函数，这种不恰当的形式使得模型估计的精确度下降．本文选定出行时间、费用、距离、房价、居住区域本身特性（其中包含３个影响因素，是：地铁站点数量、住宅区建筑总体容积率、区域人口数量）这５个特性变量．本文采用的数据是笔者实际调查的问卷数据，各变量对应的系统效用函数中的参数分别记为出行时间、出行费用、出行距离、房价、居住区域本身特性：Ｖｉ＝ｆ（ｔｔ，ｔｃ，ｔｄ，ｈｐ，ｓｅ）（１）式中：ｔｔ为通勤者的总出行时间；ｔｃ为通勤出行费用，ｔｄ为出行距离；ｈｐ为房价；ｓｅ为出行者的居住区域本身特性．２．１．２ 居住地选址模型为了更加详细的描述变量的系数形式，将居住地选址行为的效用方程写成Ｕｉ＝αＺｉ＋θＸｉ＋εｉ（２）式中：Ｕｉ为效用函数；α为固定系数向量；θ为变化系数向量；Ｚｉ，Ｘｉ为解释变量向量；εｉ为误差项．基于变形后的随机效用函数，混合Ｌｏｇｉｔ模型的概率选择函数可写成以下形式Ｌｉ＝ｅｘｐ（αＺｉ＋θＸｉ＋εｉ）∑Ｊｊ＝１ｅｘｐ（αＺｉ＋θＸｉ＋εｉ）（３）式中：Ｌｉ为居住地选择概率；Ｊ为选择肢的数量．结合于所选定的影响居住地选址的特性变量，则居住地选址模型为Ｌｉ＝ｅｘｐ（α１ｔｔｉ＋α２ｈｐｉ＋α３ｐｏｉ＋∑Ｊｊ＝１ｅｘｐ（α１ｔｔｉ＋α２ｈｐｉ＋α３ｐｏｉ＋→·２１０１·武汉理工大学学报（交通科学与工程版）２０１４年 第３８卷α４ｚｄｉ＋α５ｐｒｉ＋θ１ｔｃｉ＋θ２ｔｄｉ＋εｉ）α４ｚｄｉ＋α５ｐｒｉ＋θ１ｔｃｉ＋θ２ｔｄｉ＋εｉ）（４）式中：αｉ为各固定系数向量；θｉ为各变化系数向量；ｔｔｉ，ｈｐｉ，ｐｏｉ，ｚｄｉ，ｐｒｉ，ｔｃｉ，ｔｄｉ，分别为出行时间、房价、人口数量、轨道站点数量、区域容积率、出行费用、出行距离；εｉ为误差项．假定各系数服从对数正态分布θｉ（ｓｎ，ξｉ，ηｉ）＝１２槡πηｉｅｘｐ－（ｌｎｓｎ－ξｉηｉ）［］２（ｉ＝１，２，…）（５）式中：ｓｎ为各变化系数的随机变量；ξｉ和ηｉ分别为ｌｎ ｓｎ的期望和标准差，这里ｌｎ ｓｎ服从正态分布，称ｓｎ服从对数正态分布．２．２ 就业地选址模型与居住地的选址模型类似，由于影响因素大部分非连续，因此可以基于离散选择分析的手段对可能影响就业地的因素进行分析．由于这些影响因素并非独立不相关的，因此采用混合Ｌｏｇｉｔ方法建模．２．２．１ 模型特性变量的选取通过问卷调查中的数据分析及国内外文献的经验总结，对影响因素进行了初步筛选，确定了时间、距离、出行费用、收入、就业吸引力强度５大指标，其中就业吸引强度用各行政区的法人单位在岗职工人数、各行政区域的国内生产总值（ＧＤＰ）以及消费品零售额３个具体指标表示．２．２．２ 就业地选址模型结合所选定的影响就业地选址的特性变量，就业地选址模型为Ｌｉ＝ｅｘｐ（α１ｔｔｉ＋α２ｉｃｉ＋α３ｇｗｉ＋∑Ｊｊ＝１ｅｘｐ（α１ｔｔｉ＋α２ｉｃｉ＋α３ｇｗｉ＋→α４ｒｅｉ＋θ１ｔｃｉ＋θ２ｔｄｉ＋εｉ）α４ｒｅｉ＋θ１ｔｃｉ＋θ２ｔｄｉ＋εｉ）（６）式中：αｉ为各固定系数向量；θｉ为各变化系数向量；ｔｔｉ，ｉｃｉ，ｇｗｉ，ｒｅｉ，ｔｃｉ，ｔｄｉ分别为出行时间、居民收入、工作岗位数量、区域消费品零售额、出行费用、出行距离；εｉ为误差项．同样假设各系数服从对数正态分布，分布形式与居住地选址模型中的形式一样，见式（５）．３ 模型参数估计３．１ 数据为简化计算过程，本文对居住地选址和就业地选址的区位划分，直接按现有行政区域分类，包括中心内城区、外城区和郊区，中心内城区包括传统中心商业区东城区（包括原崇文区）、西城区（包括原宣武区）以及朝阳区ＣＢＤ中心地区，外城区包括海淀区、朝阳区（不包括ＣＢＤ）、石景山区和丰台区，郊区指通州、顺义、昌平、怀柔、大兴、门头沟和房山等区县．为了收集足够的数据，共选取２８个居住小区进行问卷调查，每个调查小区发放９０份、共发放２ ５２０份调查问卷，回收的有效问卷为１ ９９４份，有效回收率７９．１％．为综合反映不同类型小区的情况，此次调查均匀涵盖了高档、中档和保障房三类住宅小区．３．２ 参数估计结果及分析通过编写参数估计程序（包括系统参数文件和模型估计代码），对模型的参数进行了估计．３．２．１ 居住地选址模型结果居住地选址模型参数估计的主要结果见表１，由表１可见，所有参数ｔ检验绝对值都大于１．９６，说明选取的变量对于居住地选址具有显著的影响．表１ 居住地选址模型系数估计及检验值变量选择肢估计值标准差ｔ检验值Ｐｒ＞｜ｔ｜ＴＴＩＭＥ＿Ｍ Ａｌｌ－０．２８６ ９ ０．０３６ ４－７．８９＜．０００ １ＴＴＩＭＥ＿Ｓ Ａｌｌ ０．３７５ ２ ０．０５０ ６ ７．４１＜．０００ １ＦＪ Ａｌｌ－０．２３６ ３ ０．０７３ ３－３．２２ ０．０００ １３ＤＩ＿Ｍ Ａｌｌ－０．８２５ ５ ０．０９４ ２－８．７６＜．０００ １ＤＩ＿Ｓ Ａｌｌ ０．４３８ ５ ０．０５９ １ ７．４２＜．０００ １ＭＯＮＥＹ Ａｌｌ－０．１２３ ３ ０．０２４ ５－５．０４＜．０００ １ＺＤ Ａｌｌ ０．４４４ ９ ０．０１０ ６ ４．２２＜．０００ １Ｐｏｐｕｌａｔｉｏｎ Ａｌｌ ０．０４１ ７ ０．００７ ３ ３．２５＜．０００ １Ｐｌｏｔ ｒａｔｉｏ Ａｌｌ－０．０３８ ８ ０．０２２ ５－１．９９＜．０００ １Ｌｏｇ Ｌｉｋｅｌｉｈｏｏｄ－１３０ ４ 表１中，ＴＴＩＭＥ＿Ｍ为出行时间均值的估计值；ＴＴＩＭＥ＿Ｓ为出行时间标准差的估计值；ＦＪ为房价的估计值；ＤＩ＿Ｍ为出行距离均值的估计值；ＤＩ＿Ｓ为出行距离标准差的估计值；ＭＯＮＥＹ为出·３１０１· 第５期焦朋朋，等：基于混合Ｌｏｇｉｔ的居住地和就业地选择行为模型行费用的估计值；ＺＤ为轨道交通站点数量的估计值；Ｐｏｐｕｌａｔｉｏｎ为区域人口数量的估计值，Ｐｌｏｔｒａｔｉｏ为区域容积率，Ｌｏｇ Ｌｉｋｅｌｉｈｏｏｄ为最大似然函数值．由表１可见，模型最终收敛并得到了较好的结果．另外从变量的系数可以看出，出行距离（－０．８２５ ５）对整个模型的影响程度最大；其次是区域轨道站点数量（０．４４４ ９）；影响程度最小的因素为住宅总容积率（－０．０３８ ８）．模型的系数说明居民倾向于选择出行成本低（时间短、距离近、费用低）、居住条件好（人口数量多、区域容积率小、站点覆盖率高）、生活成本低（房价低）的区域居住．对于“出行成本低”：居民的平均通勤时间、平均通勤距离及出行费用对居住地选择的影响系数是负数；而且从数值大小来看，相对于其他变量，其影响效果非常明显，尤其是距离因素，反映出了目前北京市中心区的工作和居住用地布局的不合理性以及人们对出行距离的重视程度．对于“居住条件好”：居民倾向于选择人口数量多的地区居住，这符合人类属于群居动物的这一特点，同时，人口数量多意味着各种基础性服务设施更加完善，如购物、休闲、文化等日常活动更加便利；对于区域容积率小的要求，意味着居民相对更倾向于选择低密度的小区居住；而更多的轨道交通站点意味着出行便利的可能性增加．对于“生活成本低”：从模型的结果看，房价的系数并没有出行距离的系数大，说明出行相关的因素对于人们的居住地选择行为有更大的影响．３．２．２ 就业地选址模型结果经过变量的筛选，逐步剔除国内生产总值（ＧＤＰ）等统计检验不显著的说明变量，确定就业地选址的影响因素．最终参数估计结果和参数见表２，所有ｔ检验的绝对值均大于１．９６，说明选取的变量对于就业地选址具有显著的影响．表２ 就业地选址模型系数估计及检验值变量选择肢估计值标准差ｔ检验值Ｐｒ＞｜ｔ｜ＴＴＩＭＥ＿Ｍ Ａｌｌ－０．１３５ ２ ０．００６ ２７４－２１．５５＜．０００ １ＴＴＩＭＥ＿Ｓ Ａｌｌ ０．０５１ ７ ０．００８ ２２６ ６．２９＜．０００ １Ｉｎｃｏｍｅ Ａｌｌ ０．２６２ ４ ０．０６７ ６－３．８８ ０．０００ １ＤＩ＿Ｍ Ａｌｌ－０．４９４ ８ ０．０２０ ７－２３．８８＜．０００ １ＤＩ＿Ｓ Ａｌｌ ０．１０７ １ ０．０１４ ５ ７．３８＜．０００ １Ｍｏｎｅｙ Ａｌｌ－０．０３２ ３ ０．００２ ７９４－１１．５５＜．０００ １ＧＷ Ａｌｌ ０．０２２ ４ ０．００８ １０８ ５．２４＜．０００ １Ｒｅｔａｉｌ Ａｌｌ ０．１１２ ２ ０．０６８ １ ２．０１ ０．０３２Ｌｏｇ Ｌｉｋｅｌｉｈｏｏｄ－１２７ ９ 表２中，ＴＴＩＭＥ＿Ｍ为出行时间均值的估计值；ＴＴＩＭＥ＿Ｓ为出行时间标准差的估计值；Ｉｎ－ｃｏｍｅ为收入的估计值；ＤＩ＿Ｍ为出行距离均值的估计值；ＤＩ＿Ｓ为出行距离标准差的估计值；ＭＯＮＥＹ为出行费用的估计值；ＧＷ为工作岗位数的估计值；Ｒｅｔａｉｌ为区域消费品零售额的估计值；Ｌｏｇ Ｌｉｋｅｌｉｈｏｏｄ为最大似然函数值．由表２可见，模型最终收敛并得到了较好的结果．另外从变量系数可以看出，出行距离（－０．４９４ ８）对整个模型的影响程度最大，影响最小的因素为区域岗位数（０．０２２ ４）．模型系数说明，在就业地选择过程中，居民倾向于选择出行成本低（时间短、费用低、距离短）、地区经济发展好（区域岗位多、消费品零售额高）、生活质量高（收入高）的区域工作．对于“出行成本”．与居住地选址模型类似，居民的平均通勤时间、平均通勤距离及出行费用对就业地选址的影响系数是负数，而且从数值大小来看，相对于其他变量，其影响效果较为明显，尤其是出行距离，为居民最看重的影响因素．对于“地区经济发展”．居民愿意在就业岗位多的区域工作，岗位数量多意味着更多的工作机会．同样，地区消费品零售额高意味这地区经济发展水平较高，这与通常的认识相符．对于“收入”．收入高通常是影响居民工作选择的一个主要原因，但由于收入更多的是由其他因素决定，在此模型中其效用并没有出行距离对于就业地选址的影响大．４ 结束语本文采用混合Ｌｏｇｉｔ模型的方法，分别构建了城市居民的居住地选址和就业地选址模型，分析了模型的说明变量．通过问卷调查收集了大量的数据，并应用这些数据对模型进行了参数估计．结果表明，上述两个选址模型基本都反映出了居民在实际选择过程中主要考虑的因素，“出行距离”是影响居住地和就业地选址模型的首要因素；·４１０１·武汉理工大学学报（交通科学与工程版）２０１４年 第３８卷此外，对于居住地选址而言，“轨道站点数量”也是主要的影响因素，而“出行成本”则是就业地选址的主要影响因素．本文的两个模型都有着比较强的假设条件，为了更准确的获取不同因素对于两个选址模型的影响，可以考虑降低模型的假设强度，使模型能够适用更一般化的情况，这将是后续研究的重点．参考文献［１］冯 健，周一星．郊区化进程中北京城市内部迁居及相关空间行为：基于千份问卷调查的分析［Ｊ］．地理研究，２００４，２３（２）：２２７－２４２．［２］中国社会科学研究院．北京城乡发展报告（２０１０—２０１１）［Ｒ］．中国社会科学研究院，２０１０．［３］ＧＩＵＬＩＡＮＯ Ｇ．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，ｌａｎｄ ｕｓｅ，ａｎｄ ｐｕｂｌｉｃｐｏｌｉｃｙ［Ｊ］．ＴＲ Ｎｅｗｓ，１９９６，１８７：１２－１３．［４］ＫＥＬＬＹ Ｅ Ｄ．Ｔｈｅ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｌａｎｄ ｕｓｅ ｌｉｎｋ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｐｌａｎｎｉｎｇ Ｌｉｔｅｒａｔｕｒｅ，１９９４，９（２）：１２８－１４５．［５］ＢＡＤＯＥ Ｄ Ａ，ＭＩＬＬＥＲ Ｅ Ｊ．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｌａｎｄ ｕｓｅｉｎｔｅｒａｃｔｉｏｎ：ｅｍｐｉｒｉｃａｌ ｆｉｎｄｉｎｇ ｓｉｎ Ｎｏｒｔｈ Ａｍｅｒｉｃａ ａｎｄｔｈｅｉｒ ｌｏｃａｔｉｏｎ ｆｏｒ ｍｏｄｅｌｉｎｇ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅ－ｓｅａｒｃｈ Ｄ：Ｔｒａｎｓｐｏｒｔａｔｉｏｎ ＆Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，１５５：２３５－２６３．［６］ＤＡＶＩＤ Ｌ．Ａｃｃｅｓｓｉｂｉｌｉｔｙ ａｎｄ ｔｈｅ ｊｏｕｒ ｎｅｔｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔ Ｇｅｏｇｒａｐｈｙ，１９９２，６（１）：１１－２１．［７］ＤＡＶＩＤ Ｍ Ｎ．ＳＴＥＷＡＲＴ Ｇ．Ｄｏｗｎｔｏｗｎ ｐｏｐｕｌａｔｉｏｎｇｒｏｗｔｈ ａｎｄ ｃｏｍｍｕｔｉｎｇ ｔｒｉｐｓ：ｒｅｃｅｎｔ ｅｘｐｅｒｉｅｎｃｅ ｉｎ ｔｏ－ｒｏｎｔｏ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｐｌａｎｎｉｎｇ Ａｓｓｏｃｉａ－ｔｉｏｎ，１９９１，５７：１６５－１８２．［８］ＤＡＶＩＤ Ｌ．Ａｃｃｅｓｓｉｂｉｌｉｔｙ ａｎｄ ｔｈｅ ｊｏｕｒｎｅｙ ｔｏ ｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔ Ｇｅｏｇｒａｐｈｙ，１９９２，６（１）：１１－２１．［９］周江评．“空间不匹配”假设与城市弱势群体就业问题：美国相关研究及其对中国的启示［Ｊ］．现代城市研究，２００４（９）：８－１４．［１０］周素红，闫小培．城市居住：就业空间特征及组织模式：以广州市为例［Ｊ］．地理科学，２００５（６）：６６４－６７０．Ｒｅｓｉｄｅｎｃｅ Ｌｏｃａｔｉｏｎ ａｎｄ Ｗｏｒｋｐｌａｃｅ Ｃｈｏｉｃｅ Ｂｅｈａｖｉｏｒ Ｂａｓｅｄ ｏｎＭｉｘｅｄ Ｌｏｇｉｔ ＭｏｄｅｌＪＩＡＯ Ｐｅｎｇｐｅｎｇ１） ＣＨＥＮ Ｓｈｕａｉ ２） ＬＩ Ｙａｎｇｗｅｉ １）（Ｓｃｈｏｏｌ ｏｆ Ｃｉｖｉｌ ａｎｄ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｉｖｉｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄＡｒｃｈｉｔｅｃｔｕｒｅ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ）１）（Ｔａｉｊｉ Ｃｏｍｐｕｔｅｒ Ｃｏｒｐｏｒａｔｉｏｎ Ｌｉｍｉｔｅｄ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ）２）Ａｂｓｔｒａｃｔ：Ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｍｅｃｈａｎｉｓｍ ｏｆ ｕｒｂａｎ ｒｅｓｉｄｅｎｃｅ ｌｏｃａｔｉｏｎ ａｎｄ ｗｏｒｋｐｌａｃｅ ｃｈｏｉｃｅ，ｔｈｅ ｒｅｓｉｄｅｎｃｅ ｌｏｃａｔｉｏｎ ｃｈｏｉｃｅ ｍｏｄｅｌ ａｎｄ ｗｏｒｋｐｌａｃｅ ｃｈｏｉｃｅ ｍｏｄｅｌ ｗｅｒｅ ｆｏｒｍｕｌａｔｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ ｕｓｉｎｇｍｉｘｅｄ ｌｏｇｉｔ ｍｅｔｈｏｄ．Ｔｈｅ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｅｓｔｉｍａｔｅｄ ｕｓｉｎｇ ｔｈｅ ｄａｔａ ｆｒｏｍ ａ ｑｕｅｓｔｉｏｎｎａｉｒｅ ｓｕｒ－ｖｅｙ，ｗｈｉｃｈ ｗａｓ ｃａｒｒｉｅｄ ｏｕｔ ｉｎ ２８ｃｏｍｍｕｎｉｔｉｅｓ ｏｆ Ｂｅｉｊｉｎｇ，Ｉｎ ｔｈｅ ｓｕｒｖｅｙ，ｔｏｔａｌｌｙ ２５２０ｑｕｅｓｔｉｏｎｎａｉｒｅｓｗｅｒｅ ｄｉｓｔｒｉｂｕｔｅｄ，ａｎｄ １９９４ｑｕｅｓｔｉｏｎｎａｉｒｅｓ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ ａｎｄ ｐｒｏｖｅｄ ｔｏ ｂｅ ｅｆｆｅｃｔｉｖｅ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉ－ｃａｔｅ ｔｈａｔ ｔｈｅ＂ｔｒａｖｅｌ ｄｉｓｔａｎｃｅ＂ｉｓ ｔｈｅ ｍｏｓｔ ｉｍｐｏｒｔａｎｔ ｆａｃｔｏｒ ｉｎｆｌｕｅｎｃｉｎｇ ｒｅｓｉｄｅｎｃｅ ｌｏｃａｔｉｏｎ ａｎｄ ｗｏｒｋ－ｐｌａｃｅ ｃｈｏｉｃｅ．Ｍｏｒｅｏｖｅｒ，＂ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｒａｉｌ ｔｒａｎｓｉｔ ｓｔａｔｉｏｎ＂ｉｓ ｔｈｅ ｍａｉｎ ｆａｃｔｏｒ ａｆｆｅｃｔｉｎｇ ｒｅｓｉｄｅｎｃｅ ｌｏｃａ－ｔｉｏｎ ｃｈｏｉｃｅ，ａｎｄ ｔｈｅ＂ｔｒａｖｅｌ ｃｏｓｔ＂ｉｓ ｔｈｅ ｍａｉｎ ｆａｃｔｏｒ ａｆｆｅｃｔｉｎｇ ｗｏｒｋｐｌａｃｅ ｃｈｏｉｃｅ．Ｋｅｙ ｗｏｒｄｓ：ｍｉｘｅｄ ｌｏｇｉｔ ｍｏｄｅｌ；ｒｅｓｉｄｅｎｃｅ ｌｏｃａｔｉｏｎ；ｗｏｒｋｐｌａｃｅ·５１０１· 第５期焦朋朋，等：基于混合Ｌｏｇｉｔ的居住地和就业地选择行为模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于Logit模型的我国各省市就业率预测研究
作者：艾昕
来源：《中国市场》2016年第20期
[摘要]就业率问题是民生问题，提高就业率有助于经济持续、健康地发展，同时，就业率的提高可以确保国家社会的安全和稳定。
我国当前面临巨大的就业压力，失业、下岗等问题已经成为社会的焦点，这就需要对影响就业率的因素进行归纳和深入分析。
文章采取Logit回归分析法研究影响中国各省市就业率增长的因素，通过确定因变量、选取解释变量、检验变量间多元共线性、构建模型，并利用SPSS20.0进行模型分析与检验，得出较显著的影响因素，最后根据Logit模型得出的结论给出提高就业率的相关建议。
[关键词]就业率；Logit模型；就业率影响因素
1Logit模型的构建与分析
Logit回归分析法是一种多变量分析法，模型的原理是利用多个自变量估计因变量的logit 回归方程来对因变量进行预测，主要用于研究或预测某种现象发生的概率。
在经济模型中，选取的大多数自变量所反映的不是数量，而是某种性质或属性，这种变量我们称为虚拟变量，一般规定当该变量值取 1 时，表示存在某种性质或属性，取 0 时则表示不存在。
在Logit模型中，就业率增长情况被看作是一个虚拟变量问题，并且规定当变量值取1时，表示该省市的就业率相比上季度上升；当变量值取0时，表示该省市的就业率相比上季度下降。
研究中一般取0.5作为各省市就业率增长情况的临界值，将样本带入得到的P大于0.5时，判断该省市就业率上升，反之，就业率下降。
Logit模型假设因变量发生的概率与其各影响因素之间呈现如下非线性关系：
2样本的选取原则
2.1样本数据时间的确定
研究数据来源于Wind数据库、中国统计局官网等权威数据库，本文选取2012年6月至2014年6月间的九个季度数据作为训练样本，包含279组数据，用于构建Logit回归分析模
型，并选取2014年9月至2014年12月的两个季度数据作为预测样本，包含61组数据，用于检测所建模型的有效性。
2.2样本因变量的选取
为保证样本的全面性与真实性，本文选取我国31个省市（包括4个直辖市，分别为北京市、天津市、上海市和重庆市）的就业率增长情况作为因变量。
我们将所选的340组样本分成了两组，就业率增长的为一组，赋值为1；就业率下降的为一组，赋值为0，其中，训练样本中赋值为1的数据有190组，赋值为0的数据有89组；预测样本中赋值为1的数据有40组，赋值为0的数据有21组。
2.3样本解释变量的选取
2.3.1CPI的累计同比（x1）
目前，劳动力供大于求的现状日益严峻，主动和非自发性失业严重等经济现象在目前物价上升的现实带动下，加剧了社会总需求的不足，进而影响社会总供给和社会再生产，同时，物价不断的上涨，加重了失业个人和家庭的心理负担，进而影响整个社会的稳定与发展。
所以，明晰CPI对就业率的影响程度将有利于各省市实现稳定就业率的目标。
2.3.2高校数量（x2）
拥有较多高校的省市，将有更大的信息优势、资金优势和人才优势来发展第三产业。
一方面，通过建立高新技术开发区、科技园等高科技专区将产生集群效应，在提高大学吸引力的同时提升了本省的就业环境；另一方面，大学生创业是解决就业的重要途径，高校对大学生创业理论与实践的教育以及高校所在地出台的促进大学生就业的相关政策对于大学生充分就业极为有效。
2.3.3GDP累计同比（x3）
就业和经济增长紧密联系，当经济繁荣时将增加对劳动力的需求；反之，当经济衰退时将减少对劳动力的需求，增加失业并减少劳动者报酬。
从历史数据看，我国经济与就业出现明显的不一致，出现“高增长、低就业”的现象。
目前，我国处于经济增速换挡期，更应当着眼于经济发展和促进就业的良性互动，提高就业弹性，对经济结构不断优化，缩小贫富差距，继续保持中高速的经济增长。
2.3.4城镇单位就业人员工资总额累计同比（x4）
我国大学生逐步成为城镇单位就业主力军，但其期望工资与社会平均工资相比高出了正常水平，我国高等教育个人负担成本过高是造成这一现象的主要原因，其中包括高等教育收费过高、我国高等教育资本市场不完善等方面。
同时，外来劳动力加剧了就业市场的竞争，但这种竞争主要是先后进入的外来劳动力之间的内部竞争，本地劳动力由于存在与外来劳动力之间的不完全替代性，使其在提高劳动率的同时对期望工资有了更高的要求。
所以，工资水平高的省市对大学生和外地、本地劳动力均有更高的吸引力。
2.3.5社会服务经费（事业费）实际支出：累计值（x5）
正如经济发展需要与社会发展相协调，促进就业同样也需要与社会保障体系发展相协调。
在就业压力相对较小的情况下，应加快建立完善的覆盖整个劳动力市场的社会保障体系，扩大社会保障的范围、适当提高保障水平；在就业压力较大时，首先要积极扩大就业，并通过适度的社会保障来促进就业，且以不妨碍就业为前提。
各地方政府应注重本省市社会保障工作的科学性与全面性，形成自身的差异化优势吸引劳动力。
3各省市就业率增长情况的实证分析
3.1多元共线性分析
在进行Logit回归分析之前，首先要对自变量进行筛选。
因为当变量之间存在严重的多元共线性时，容易使回归系数标准差产生偏差，从而使模型失效。
利用SPSS20.0工具多元共线性分析的检测结果见表1。
当检验结果中的VIF值大于等于10时，就说明自变量xi与其余自变量之间存在严重的多元共线性，由表1可知，本文所选取的变量间所对应的方差扩大因子VIF均小于10，可选用这5个自变量作为建立Logit模型的指标。
3.2模型拟合度检验
使用x1、x2、x3、x4、x5五个变量进行建模，得到表2并分析结果。
从表2中可以看出系统对模型的最初赋值方式，最开始仅对常数项赋值，结果为
B=1.212，标准误差为S.E.=0.142，df=1，Sig=0.000，Exp（B）=3.359，P=0.000，达到了显著水平。
由表3可知，自由度为5，显著水平为0.05的卡方临界值为11.070，在对该模型的显著性检验中，χ2=23.982>11.070，df=5，并且相应的Sig.值小于0.05，因此在显著性水平为0.05的情况下，均通过检验。
由表4可知，检验结果仍然以卡方分布为标准，这里自由度为8，所以得出卡方临界值为15.507，χ2=13.307小于临界值，Sig.=0.087大于0.05，由此可知，Hosmer 和 Lemeshow 检验通过，模型能较好地预测结果。
3.3模型回归结果分析
由表5可知，除CPI累计同比x1的显著性水平为-0.296，影响系数为负以外，其余变量的影响系数均为正，其中高校数量x2的显著性水平为0.005，GDP累计同比x3的显著性水平为0.332，城镇单位就业人员工资总额累计同比x4的显著性水平为0.062，社会服务经费事业费实际支出累计值x5的显著性水平为0.003，都与假设一致。
3.4模型有效性检验与预测分析
由表6可知，Logit回归对就业率增长的省市预测正确率为78.1%，对就业率减少的省市预测正确率为84.4%，总体预测正确率为81.3%。
将样本数据带入式（5）中，就可以计算得到各省就业实现增长的概率P。
经计算得知，预测样本中的61组数据中，有12组数据的判别结果与虚拟变量值不同，所以得出该模型的预测准确率为80.3%。
4提高就业率的建议
4.1政府要控制合理的工资增长机制
工资水平增长较快，尤其是超过劳动生产率和物价增长速度，将带来两个问题：一是增加企业负担，削弱产品国际竞争力，从而减少就业量；二是超发的工资会带来通货膨胀的问题，影响经济健康发展，长期看也会减少就业。
所以，对工资水平的增长，政府应采取审慎稳妥的态度，同时引导市场力量发挥作用，促进就业平稳增长。
4.2调节产业结构，大力发展第三产业
随着经济的不断发展和国际竞争的加剧，进一步优化产业结构，促进第三产业的发展，把发展的重点放在与科技进步相关的新兴行业上变得尤为重要。
政府可通过财税政策措施，提高第三产业的产值份额和劳动就业比重，从而提高经济增长的就业弹性，同时，加大对中小企业的扶持力度，协调地区经济发展，减少结构性失业。
4.3高校进行教育改革，培养应用型人才
高校改革应将人才培养与人才市场需求相结合，充分考虑当前的社会需要和国家长远发展的人才需求。
同时，学校应该积极调整专业结构和课程设置，增加课程的弹性，培养应用型、复合型的人才，以缓和用人单位与大学生就业之间的矛盾冲突，使得大学生在不断增强自身综合素质的同时，更加切合用人单位的实际需求。
参考文献：
[1]程华.GDP就业承载力研究[D].太原：山西财经大学，2011.
[2]刘春梅.经济增长视角下我国城镇职工工资与就业的动态效应分析[J].商业研究，2013（8）.
[3]孙琳.基于Logit模型的中小企业信用风险评估[D].济南：山东财经大学，2013.
[4]崔志颖.中国大学生就业与经济增长关系的研究[D].济南：山东大学，2009.。