- 上一篇：黄金价格与CPI指数时间序列的相关分析研究自拟合和模拟
- 下一篇：REITs房地产投资基金模式的研究+案例分析
3.最低工资调整模型影响因素的选取
RBF神经网络有着很强的逼近非线性关系能力，是解决最低工资及其各影响因素之间的定量关系的有力工具之一。根据灰色关联度分析结果，我们选取人均GDP（元/年）、恩格尔系数（%）、劳动生产率（元/年每人）、平均工资（元/年）、居民消费水平（元/人）以及累积通胀率（%）这751个指标（灰色关联度均在0.75以上），再参考国家劳动和社会保障部的最低工资测算中考虑的影响因素及国际上通用的制定最低工资标准的各相关因素，增加失业率（%）因素，作为建立基于RBF神经网络的最低工资调整模型的共计七个影响因素。
4.最低工资调整模型的建立及求解
根据上述灰色关联度选取的七个影响因素，最低工资标准可用公式表示为
(3.1)
其中，M 为最低工资标准；E 为人均GDP（元/年）；EC为恩格尔系数（%）；L为劳动生产率（元/年每人）；A 为平均工资（元/年）；C 为居民消费水平（元/人）；P为累积通胀率（%）；U为失业率（%）。
宏观经济学有关通货膨胀理论[8]提出，合理工资上涨幅度的计算公式为：
(3.2)
利用已经预处理的上述七个影响因素在1978-2014年的数据，可将最低工资标准测算公式(3.1)变换为（变换后的数据见附录）：
(3.3)
其中， 为 年的最低工资上涨幅度， ， ， ， ， ， 为 年的累积通货膨胀率， 为 年的失业率。
将公式(3.2)符号化为： (3.4)
其中， 为 年的最低工资上涨幅度， 为 年的劳动生产率的增长率， 为 年的通货膨胀率。
联立公式(3.3)(3.4)，消去 可建立最低工资上涨幅度模型为： (3.5)
采用RBF神经网络模型对公式(3.5)进行回归训练，算法流程如图 2所示：
图 2 回归训练算法流程
运用MATLAB求解模型（详细程序见于附录），将1978到2009的数据作为训练样本，训练过程如下图3所示：
图 3 训练过程图
最终迭代35次后达到目标，训练结果：样本内检验误差为0，样本外检验误差为34.31%，样本外残差检验，结果如图4所示：
图 4 RBF神经网络样本外残差图
在上述训练下， RBF神经网络模型所得从2010到2014年中合理的期间工资上涨幅度是：2010年为18.56%，2011年为27.64%，2012年为24.14%，2013年为6.61%，2014年为20.34%。从中国统计年鉴搜集2010~2014年全国各地平均最低工资上涨幅度，如表2所示。
表2 实际与合理最低工资上涨幅度
年份 实际工资最低上涨幅度（%） 合理最低工资上涨幅度
2010 21.66% 18.56%