隨機森林算法的養老保險支付風險預警范文

本站小編為你精心準備了隨機森林算法的養老保險支付風險預警參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘　要：基于神經網絡思想，探索建立隨機森林算法預測模型，提高基本養老保險支付風險預警精度，有助于基本養老保險更加科學、有效地管理。首先，識別基本養老保險支付的風險因素，構建隨機森林算法預測模型，識別風險因素。其次，結合浙江省基本養老保險數據，開展實證研究。最后，基于理論與實證研究，加強養老保險基金風險管理，保障基本養老保險支付健康運行與發展。

關鍵詞：隨機森林算法；基本養老保險；風險預警

一、引言

我國從2001年進入老齡化社會以來，老齡化程度不斷加深，2019年我國65歲以上人口已達17603萬人，占總人口比重為18.1%，養老負擔日益加重。基本養老保險是社會養老保障體系的重要組成部分，在保障老年人老有所養，享受幸福美好生活中發揮著不可替代的作用，而當前基本養老保險統籌層次低，各省份基本養老保險收支赤字風險不均，部分省份基本養老保險入不敷出，基本養老保險可持續發展面臨著嚴峻的考驗。浙江省經濟較為發達，人口流入量速度減緩，老齡化加速。2019年末浙江65歲以上人口占常住人口的14.2%，超過國際深度老齡化的通行標準線14%，邁入深度老齡化社會。從人口出生率來看，浙江逐步開放生育政策，從“單獨二孩”到“全面二孩”政策，人口出生率逐步提高，但未能完全扭轉出生人口數量下降的趨勢。而在生育高峰出生的人口將要步入老年期，老齡化人數比例不斷擴大，老齡化速度不斷加快，導致養老保險支出規模不斷擴大。因此，科學、有效地對浙江基本養老保險支付風險進行預測具有緊迫的現實意義。一方面，有助于識別基本養老保險支付風險因素，提高養老金支付的風險意識。另一方面，有利于提高浙江基本養老保險風險預測精度，為基本養老保險政策的調整提供參考，促進基本養老保險健康發展。

二、研究現狀

基本養老保險風險因素研究，從城鎮職工基本養老保險基金支付能力差異性角度分析，鄭秉文、孫永勇（2012）認為各個省份之間不同的歷史債務、制度贍養率、經濟發展水平、勞動力流動空間分布是影響中國城鎮職工基本養老保險財務狀況的主要因素[1]。熊俊順（2001）通過外生變量如參保職工人數、職工平均工資、實際繳費工資水平等指標對養老保險基金支付能力進行預測[2]。從基本養老保險基金制度設計與運行的角度分析，常麗娟、陳玲英（2011），葉茂春、李紅艷、任慧霞（2018）構建了預警指標體系，將贍養率、個人繳費率、GDP增長率等指標作為預測的重要因素[3-4]。鄧大松、仙蜜花（2015）重點分析了基本養老保險的制度內影響因素，如統籌層次、保障水平、激勵機制等因素[5]。從基本養老保險基金保值增值的視角分析，王增（2018）、文楊晶（2018）認為促進基本養老保險基金的可持續積累，不僅涉及人口老齡化、養老金政策和體制限制、通貨膨脹等因素，同時也涉及養老保險基金投資策略、運營風險以及監管機制等因素[6-7]。基本養老保險支付風險評估與預警方法研究，基于傳統數據分析方法，陳曦（2017）通過定量分析，研究養老保險繳費率、繳費年限對基金收支缺口的影響[8]。熊俊順（2001）通過建立時間序列模型，對職工人數、平均工資進行分析和比較，預測基本養老基金支付能力[9]。呂志勇、王霞、張良（2009）建立了養老保險收支平衡精算模型，選取了就業年齡、隱形債務、收繳年限、養老金替代率等主要影響因素[10]。呂偉、鐘健（2005）從政府擔保的角度，結合期權定價理論建立收益率擔保和最低養老金擔保的價值評估模型，探討了養老金政府擔保的政策目標、價值評估和風險管理等問題[11]。基于神經網絡數據分析方法，楊學理、朱衡、楊一帆（2016）基于神經網絡思想，探索構建非線性網狀養老保險基金風險預警指標體系，厘清風險因素的內在關系[12]。常麗娟、陳玲英（2011），葉茂春、李紅艷、任慧霞（2018）基于BP神經網絡較強的非線性映射能力構建了預警模型[3-4]。孫瑞奇（2015）認為相對于BP神經網絡，RNN神經網絡能更有效地利用歷史數據，預測結果更為合理、準確[13]。相關研究主要集中于基本養老金支付風險因素的提取，缺乏對不同風險因素的綜合分析與優化，且運用傳統的數據預測方法或建立單一的神經網絡模型來預測養老金支付風險水平，基本養老保險支付風險預測的準確率有待進一步提高。

三、風險預測模型的構建與實證分析

基本養老保險支付風險預測體系包含多層次、多維度的風險指標，本文將從基本養老保險的收支風險、環境風險、制度風險三個維度來選取風險指標（見表1）本文采用隨機森林算法建立基本養老保險支付風險預測模型（見圖1）。隨機森林算法在預測模型的特征值選取上發揮了重要的作用[14]。實際風險評估模型的建立往往包含過多的特征變量，而部分特征變量對結果具有較小的影響。采用隨機森林算法，賦予特征值相應的權重系數，對特征因素進行篩選與改進，不僅降低了特征值的維數，而且提高了模型預測的精度[15]。本文選取收支風險、環境風險、制度風險三個維度的風險預測指標構建基本養老保險支付風險預測體系，隨機森林算法通過對原始數據訓練，在眾多風險因素中，選取對預測結果影響較大的風險指標，并賦予風險指標相應的權重系數。同時，相關的原始數據從不同的維度來反映基本養老保險支付風險，不同維度的數據具有不同單位、數量級別，通過對原始數據歸一化進行標準化處理，使得數據映射在0至1之間，提高整體擬合效率。近幾年，浙江省養老保險基金結余下降趨勢明顯，養老保險基金累計結余可支付月份數整體降低，養老保險支付風險提高，浙江省養老保險支付具有較強的代表性。本文選擇浙江省養老保險基金作為研究對象，構建基本養老保險風險體系與隨機森林預測模型。本文基本養老保險支付風險的原始數據主要來自《中國統計年鑒》《浙江統計年鑒》《浙江統計公報》。通過隨機森林算法，在收支風險、環境風險、制度風險三個維度的風險指標中，篩選出基金凈收入（基金收入－基金支出）、居民消費價格指數（CPI）、GDP增長率、死亡率、城鎮居民人均可支配收入、職工人數六項風險指標，并賦予相關指標相應權重。可支付月數是衡量基本養老保險風險的重要指標，可支付月數為上一年基金結余除以基金支出，反映了基本養老保險支付的可持續性，可支付月數越高，基本養老保險支付的風險越小，相反，基本養老保險支付的風險越大。基于以上數據篩選處理，本文將浙江省基本養老保險2002年至2018年的相關數據（見表2）分為隨機森林基本養老保險風險預警模型的訓練集和測試集，2002年至2013年數據作為隨機森林算法預測模型的訓練集，2014年至2018年數據作為預測模型的測試集。通過隨機森林預警模型的訓練和測試，獲得基本養老保險支付風險的影響權重（見表3），篩選模型的風險指標并優化學習算法的參數，預測結果如圖2所示。在本文隨機森林預測模型中，通過原始數據訓練與驗證，RMSE（均方差）是預測估計值與真實值之差平方的期望值，反映了隨機森林預測模型的平均誤差，隨機森林算法預測的精確性，均方差的值越小，隨機森林預測模型的平均誤差越小，精確度也越高。在風險指標篩選前，用原始所有風險指標進行訓練后，測試結果的RMSE=5.992；在進行了模型優化，剔除了對結果影響較小或產生噪聲的風險指標，用優化的訓練集進行訓練后，測試結果的RMSE=4.142。通過風險指標的篩選，均方差數值的降低，隨機森林預測模型的精度提高，隨機森林預測模型的有效性也隨之提高。

四、總結與展望

近些年，浙江省的可支付月份有所下降，基本養老保險支付風險有所提高，為確保養老保險基金的按期足額發放，養老保險風險預測模型有助于掌握養老保險運行情況，及時采取有針對性的應對措施。加強養老保險基金風險管理，對各地區基本養老金的收支情況及時進行風險預警，利用信息化技術，提高基本養老金風險管控能力。及時對各地區基本養老金的收支情況做實時的了解，分析收支不平衡的風險因素以及因素間的關聯性，采取有針對性的措施。本文采用隨機森林算法，在預測模型中，通過優化基本養老保險支付風險指標，在一定程度上提高了預測模型的有效性。但本文基本養老保險統計相關原始數據按時間序列展開，原始數據的組數整體偏少，隨機森林預測模型訓練效率有待進一步提高。針對原始數據不足等情況，基于現有數據通過改進算法提高基本養老保險預測精度是后續研究的重要方向之一。

作者：章安然