內(nèi)容提要:我國(guó)城鎮(zhèn)登記失業(yè)率指標(biāo)穩(wěn)定在4%左右,難以較為準(zhǔn)確反映就業(yè)動(dòng)態(tài);而勞動(dòng)力調(diào)查樣本量有限,城鎮(zhèn)調(diào)查失業(yè)率對(duì)省以下各級(jí)行政區(qū)域代表性不足。本文將針對(duì)大數(shù)據(jù)的機(jī)器學(xué)習(xí)算法與針對(duì)傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)的核算思想結(jié)合起來,基于某四百萬(wàn)人口城市2016—2018年的全樣本行政大數(shù)據(jù),利用機(jī)器學(xué)習(xí)算法,對(duì)每個(gè)城鎮(zhèn)居民每個(gè)月的就業(yè)狀態(tài)進(jìn)行預(yù)測(cè),再利用統(tǒng)計(jì)核算方法,估計(jì)出該城市的失業(yè)率。在個(gè)人層面,本文的模型在樣本外測(cè)試集上的準(zhǔn)確率達(dá)到96.7%。經(jīng)過統(tǒng)計(jì)核算加總,本文估計(jì)的當(dāng)?shù)厥�業(yè)率在合理區(qū)間范圍內(nèi),并表現(xiàn)出明顯的周期性特征,對(duì)就業(yè)形勢(shì)動(dòng)態(tài)變化的刻畫明顯優(yōu)于當(dāng)?shù)匾荒臧l(fā)布一次的登記失業(yè)率數(shù)據(jù)。本文基于個(gè)人層面的預(yù)測(cè)結(jié)果,進(jìn)一步探討了當(dāng)?shù)厥�業(yè)人口的性別與文化程度特征,以及再就業(yè)的時(shí)間規(guī)律。本文針對(duì)如何使用行政大數(shù)據(jù)輔助經(jīng)濟(jì)決策提出了新的范式,對(duì)大數(shù)據(jù)時(shí)代如何理解經(jīng)濟(jì)與制定政策具有參考意義。

　　關(guān)鍵詞:行政大數(shù)據(jù);機(jī)器學(xué)習(xí);統(tǒng)計(jì)核算;失業(yè)率

　　一、引言和文獻(xiàn)綜述

　　充分就業(yè)與經(jīng)濟(jì)增長(zhǎng)、物價(jià)穩(wěn)定和國(guó)際收支平衡是宏觀經(jīng)濟(jì)發(fā)展的四大目標(biāo)。其中,就業(yè)是民生之本,是“六穩(wěn)”“六保”之首。2018年以前,我國(guó)政府部門發(fā)布的失業(yè)率指標(biāo)中最主要的是城鎮(zhèn)登記失業(yè)率,其與國(guó)際通行的失業(yè)率定義相差較大,并且數(shù)值長(zhǎng)期穩(wěn)定在4%左右,很難反映我國(guó)真實(shí)的失業(yè)水平(Feng等,2017)。2018年以來,國(guó)家統(tǒng)計(jì)局按月發(fā)布全國(guó)城鎮(zhèn)調(diào)查失業(yè)率,是失業(yè)統(tǒng)計(jì)數(shù)據(jù)發(fā)布的重大進(jìn)步,彌補(bǔ)了長(zhǎng)期以來我國(guó)四大宏觀經(jīng)濟(jì)指標(biāo)的缺失,數(shù)據(jù)得到了社會(huì)各界的普遍認(rèn)可。但由于勞動(dòng)力調(diào)查樣本量有限,城鎮(zhèn)調(diào)查失業(yè)率對(duì)省以下各級(jí)行政區(qū)域代表性不足①。2021年,全國(guó)勞動(dòng)力調(diào)查根據(jù)第七次全國(guó)人口普查進(jìn)行新一輪抽樣,適當(dāng)擴(kuò)大樣本量,以滿足城鎮(zhèn)調(diào)查失業(yè)率等主要指標(biāo)數(shù)據(jù)對(duì)國(guó)家及分省(區(qū)、市)有較好代表性。

　　許多學(xué)者使用其他數(shù)據(jù)對(duì)我國(guó)勞動(dòng)力市場(chǎng)狀況進(jìn)行了估計(jì)。Giles等(2005)使用5個(gè)主要城市的住戶調(diào)查數(shù)據(jù)對(duì)我國(guó)1996—2002年的失業(yè)率進(jìn)行了估算;Feng等(2017)使用城市住戶調(diào)查(UrbanHouseholdSurvey,UHS)數(shù)據(jù)對(duì)我國(guó)1988—2002年的失業(yè)率進(jìn)行了計(jì)算。但由于我國(guó)具有代表性的勞動(dòng)力調(diào)查較少,目前僅能回顧性計(jì)算部分年份的失業(yè)率數(shù)據(jù),難以刻畫最近若干年尤其是進(jìn)入新時(shí)代以來我國(guó)的失業(yè)率動(dòng)態(tài)。

　　近年來,隨著大數(shù)據(jù)時(shí)代的到來,一些學(xué)者開始使用各種來源的旁證大數(shù)據(jù)構(gòu)建指標(biāo),度量我國(guó)勞動(dòng)力市場(chǎng)的運(yùn)行動(dòng)態(tài)。例如,使用互聯(lián)網(wǎng)招聘數(shù)據(jù)(中國(guó)人民大學(xué)中國(guó)就業(yè)研究所和智聯(lián)招聘,2019)、社交媒體數(shù)據(jù)(Bailliu等,2019)、網(wǎng)絡(luò)搜索數(shù)據(jù)(任澤平等,2019)等,基于非統(tǒng)計(jì)核算的方法構(gòu)建經(jīng)濟(jì)指標(biāo),可以實(shí)時(shí)反映勞動(dòng)力整體以及細(xì)分市場(chǎng)的動(dòng)態(tài)。但這些指標(biāo)在核算意義上缺乏明確定義,依賴研究者的個(gè)人經(jīng)驗(yàn),其科學(xué)性與可靠性受到質(zhì)疑。

　　本文從以上問題出發(fā),將針對(duì)大數(shù)據(jù)的機(jī)器學(xué)習(xí)算法與針對(duì)傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)的核算思想結(jié)合起來,使用某四百萬(wàn)人口城市2016—2018年的全樣本行政大數(shù)據(jù),構(gòu)建基于行政大數(shù)據(jù)的高維個(gè)人特征,再使用機(jī)器學(xué)習(xí)算法,對(duì)每個(gè)城鎮(zhèn)居民每個(gè)月的就業(yè)、失業(yè)狀態(tài)進(jìn)行預(yù)測(cè),然后基于統(tǒng)計(jì)核算方法,估計(jì)出該城市的失業(yè)率。在已有的研究中,基于大數(shù)據(jù)的宏觀經(jīng)濟(jì)研究主要使用旁證數(shù)據(jù),如對(duì)GDP的分析(Giannone等,2008;徐康寧等,2015;Kapetanios和Papailias,2018;Yang等,2019)、對(duì)物價(jià)的分析(Cavallo和Rigobon,2016;姜婷鳳等,2020;Yang等,2020)、對(duì)勞動(dòng)力市場(chǎng)的分析(Toole等,2015;D’Amuri和Marcucci,2017;Simonescu和Zimmermann,2017;Cajner等,2018;Moriwaki,2020);行政大數(shù)據(jù)作為最常用的旁證大數(shù)據(jù)之一,已有文獻(xiàn)展望了將其融入到政府統(tǒng)計(jì)工作和宏觀研究中的諸多可能性(程開明和莊燕杰,2014;趙彥云,2015;黃恒君,2019;Cajner等,2019)。

　　在對(duì)失業(yè)率的研究中,計(jì)算或估計(jì)失業(yè)率的方法主要有4種:一是基于大量統(tǒng)計(jì)調(diào)查與核算的官方計(jì)算方法(曾湘泉,2018),二是基于小規(guī)模調(diào)查數(shù)據(jù)的估算(Feng等,2017),三是使用與就業(yè)數(shù)據(jù)相關(guān)的宏觀指標(biāo)構(gòu)建向量自回歸(VAR)等模型估算(Chang等,2021),四是使用旁證大數(shù)據(jù)進(jìn)行回歸估計(jì)(Bailliu等,2019)。本文在已有宏觀經(jīng)濟(jì)大數(shù)據(jù)研究方法的基礎(chǔ)上,對(duì)使用大數(shù)據(jù)預(yù)測(cè)、分析、理解宏觀經(jīng)濟(jì)動(dòng)態(tài)貢獻(xiàn)了基于行政大數(shù)據(jù)與統(tǒng)計(jì)方法相結(jié)合的新案例,具有一定現(xiàn)實(shí)意義。在對(duì)失業(yè)率的估計(jì)中,本文所使用的方法與先前的方法均不相同,本文結(jié)合了針對(duì)大數(shù)據(jù)的機(jī)器學(xué)習(xí)算法與針對(duì)傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)的核算思想,基于個(gè)人樣本層面的機(jī)器學(xué)習(xí)模型輸出對(duì)整體失業(yè)率進(jìn)行核算。

　　此外,本文對(duì)理解我國(guó)勞動(dòng)力市場(chǎng)變化提出了新的視角,并發(fā)現(xiàn)我國(guó)結(jié)構(gòu)性失業(yè)人群中,女性所占的比重明顯高于男性,這背后可能體現(xiàn)了勞動(dòng)力市場(chǎng)中的性別歧視(遲巍,2008;Zhang等,2008;Kuhn和Shen,2013),對(duì)相關(guān)政策的制定有啟發(fā)意義。本文的結(jié)構(gòu)如下:第二部分將介紹文章所使用的數(shù)據(jù),如何基于這些數(shù)據(jù)構(gòu)建個(gè)人層面的基本特征,以及如何構(gòu)建模型響應(yīng)變量標(biāo)簽(失業(yè)/就業(yè));第三部分對(duì)模型構(gòu)建的過程進(jìn)行詳細(xì)介紹,包括模型算法、平衡樣本構(gòu)建和特征工程;第四部分介紹個(gè)人層面的模型結(jié)果,以及加總到城市層面的失業(yè)率估計(jì)結(jié)果,并對(duì)結(jié)果背后的機(jī)制進(jìn)行分析;最后總結(jié)全文并提出未來的研究方向。

　　二、數(shù)據(jù)與描述性統(tǒng)計(jì)

　　(一)個(gè)人層面的全樣本行政數(shù)據(jù)

　　本文為了對(duì)個(gè)人層面每個(gè)月的狀態(tài)進(jìn)行預(yù)測(cè)分析,使用了某四百萬(wàn)人口城市全部戶籍人口和大部分外來常住人口在2016—2018年間的行政大數(shù)據(jù)。這一數(shù)據(jù)包括該市戶籍和常住人口的身份信息,戶籍住址信息,父母、子女、婚姻、出生死亡信息;全部的勞動(dòng)合同備案①,社保的繳納、報(bào)銷、消費(fèi)信息,入學(xué)信息,學(xué)生家庭學(xué)籍檔案信息。

　　另外,本文還使用該市包含個(gè)體戶在內(nèi)的全部企業(yè)基本信息、組織職工信息以及企業(yè)為職工繳納社保的信息。該市戶籍與常住人口約400萬(wàn),其中城鎮(zhèn)常住居民約有240萬(wàn)人,篩選出符合勞動(dòng)力年齡、非重度殘疾、非在校學(xué)生的樣本,在結(jié)合勞動(dòng)意愿②對(duì)樣本進(jìn)行調(diào)整后,得到每月約142萬(wàn)城鎮(zhèn)常住經(jīng)濟(jì)活動(dòng)人口,后續(xù)的建模分析將基于這142萬(wàn)樣本進(jìn)行。

　　(二)數(shù)據(jù)的預(yù)處理

　　1.響應(yīng)變量的構(gòu)造。

　　使用企業(yè)匹配到個(gè)人的勞動(dòng)合同備案,工作單位為員工繳納五險(xiǎn)一金記錄以及個(gè)體戶法人記錄,在當(dāng)月有這些記錄中至少一條的樣本被標(biāo)記為當(dāng)月就業(yè);使用失業(yè)保險(xiǎn)領(lǐng)取記錄和教育局學(xué)籍檔案中的父母失業(yè)信息標(biāo)記失業(yè)樣本,對(duì)于失業(yè)保險(xiǎn)領(lǐng)取記錄,當(dāng)月、下月或下下月有則標(biāo)記為失業(yè),學(xué)籍檔案的父母失業(yè)信息則只在該信息的登記時(shí)間標(biāo)記為失業(yè)(一般為每年9月)。通過以上方法,得到了該城市部分樣本的就業(yè)/失業(yè)標(biāo)簽,其中就業(yè)標(biāo)簽每月約為40萬(wàn)條,失業(yè)標(biāo)簽每月約為7000條。顯然,這是一個(gè)非常不平衡的樣本。在后續(xù)建模的訓(xùn)練集構(gòu)造中,本文根據(jù)樣本的就業(yè)失業(yè)分布調(diào)整了樣本的平衡度,詳見第三部分第二節(jié)。

　　2.協(xié)變量的構(gòu)造。

　　本人相關(guān)人口特征。本人相關(guān)特征包括性別、年齡、宗教信仰、文化程度、政治面貌、居住區(qū)劃、殘疾等級(jí)、是否問題少年、是否有犯罪記錄、是否涉毒、車輛總數(shù)、駕駛證扣分?jǐn)?shù)、最近一次結(jié)婚距今時(shí)長(zhǎng)③、最近一次離婚距今時(shí)長(zhǎng)、當(dāng)前婚姻狀態(tài)、首次結(jié)婚年齡、初次結(jié)婚距今時(shí)長(zhǎng)、首次離婚距今時(shí)長(zhǎng)、首次離婚時(shí)年齡、首次勞動(dòng)合同登記距今時(shí)長(zhǎng)、最近一次勞動(dòng)合同失效距今時(shí)長(zhǎng)等。親屬相關(guān)特征。

　　親屬相關(guān)特征包括子女個(gè)數(shù)、最年長(zhǎng)子女年齡、最年長(zhǎng)子女性別、最年長(zhǎng)子女文化程度、最年輕子女年齡、最年輕子女性別、最年輕子女文化程度、父親年齡、父親文化程度、父親婚姻狀況、母親年齡、母親文化程度、母親婚姻狀況、配偶年齡、配偶車輛總數(shù)、配偶工作狀態(tài)、配偶最后一次統(tǒng)籌賬戶支付金額、配偶最后一次個(gè)人醫(yī)保支付金額等。

　　本人社保相關(guān)特征。社保五險(xiǎn)一金相關(guān)原始特征包括公積金繳納總額、公積金最后繳納月份、公積金最后繳納次數(shù)、公積金支出總額、養(yǎng)老保險(xiǎn)繳納總額、醫(yī)療保險(xiǎn)繳納總額、失業(yè)保險(xiǎn)繳納總額、工傷保險(xiǎn)繳納總額、生育保險(xiǎn)繳納總額、居民醫(yī)保保險(xiǎn)繳納總額、養(yǎng)老保險(xiǎn)最后繳納月份、醫(yī)療保險(xiǎn)最后繳納月份、失業(yè)保險(xiǎn)最后繳納月份、工傷保險(xiǎn)最后繳納月份、生育保險(xiǎn)最后繳納月份、居民醫(yī)保最后繳納月份、養(yǎng)老保險(xiǎn)最后繳納次數(shù)、醫(yī)療保險(xiǎn)最后繳納次數(shù)、失業(yè)保險(xiǎn)最后繳納次數(shù)、工傷保險(xiǎn)最后繳納次數(shù)、生育保險(xiǎn)最后繳納次數(shù)、居民醫(yī)保最后繳納次數(shù)等。基于這些原始特征,本文進(jìn)一步使用特征工程構(gòu)造新特征,以挖掘社保繳納的狀態(tài)和歷史變化信息。

　　三、模型構(gòu)建

　　(一)模型算法

　　在對(duì)就業(yè)/失業(yè)樣本進(jìn)行建模時(shí),本文使用了隨機(jī)森林、支持向量機(jī)、Lasso-Logit、KNN等多種方法(Hastie等,2009)。在各類方法中,隨機(jī)森林算法在交叉驗(yàn)證中的表現(xiàn)最好,所以最終選擇隨機(jī)森林方法進(jìn)行建模。隨機(jī)森林是Bagging的一個(gè)擴(kuò)展算法(Breiman,2001)。

　　隨機(jī)森林算法使用決策樹作為基學(xué)習(xí)器,構(gòu)建了Bagging集成,并進(jìn)一步在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇。在隨機(jī)森林中,對(duì)基學(xué)習(xí)器決策樹的每一個(gè)節(jié)點(diǎn),先從該結(jié)點(diǎn)的特征集合中隨機(jī)選擇一部分特征子集,然后在特征子集中選擇一個(gè)最優(yōu)屬性進(jìn)行劃分,從而完成基學(xué)習(xí)器的構(gòu)建。在使用隨機(jī)森林建模過程中,如果用同一個(gè)模型對(duì)所有樣本進(jìn)行預(yù)測(cè),基于五險(xiǎn)一金繳費(fèi)記錄構(gòu)造的特征對(duì)模型的預(yù)測(cè)結(jié)果最為重要。然而在本文的數(shù)據(jù)中,有相當(dāng)一部分樣本在五險(xiǎn)一金繳費(fèi)記錄方面特征缺失非常嚴(yán)重,導(dǎo)致這部分樣本使用整體模型的預(yù)測(cè)結(jié)果一直不變,預(yù)測(cè)準(zhǔn)確率也較低。因此,本文將這部分樣本單獨(dú)分開進(jìn)行建模。

　　具體來說,將全部樣本按照五險(xiǎn)一金的歷史繳納種數(shù)拆分,將五險(xiǎn)一金歷史繳納種數(shù)大于2的視為繳納較全,將小于等于2的視為繳納不全。對(duì)樣本進(jìn)行分類后,使用隨機(jī)森林算法對(duì)兩類樣本分別進(jìn)行建模和預(yù)測(cè),再將兩部分結(jié)果合并,即得到了全部樣本的建模結(jié)果。針對(duì)五險(xiǎn)一金繳納較全和繳納不全樣本構(gòu)建隨機(jī)森林模型,模型參數(shù)如下。對(duì)于兩個(gè)模型,決策樹的個(gè)數(shù)均選擇300,損失函數(shù)使用Gini不純度,因?yàn)橛?xùn)練集中就業(yè)樣本遠(yuǎn)多于失業(yè)樣本,存在類別不平衡問題,所以本文在損失函數(shù)的計(jì)算中設(shè)置17∶1為就業(yè)樣本比失業(yè)樣本的權(quán)重,該權(quán)重是通過4折交叉驗(yàn)證選擇的使得驗(yàn)證集precision和recall最平衡的參數(shù)。

　　對(duì)于基學(xué)習(xí)器決策樹的最大深度,未設(shè)直接限制,而是使用節(jié)點(diǎn)分裂時(shí)的樣本最小值作為正則方法:對(duì)于決策樹節(jié)點(diǎn)分裂時(shí)節(jié)點(diǎn)中的樣本數(shù)最小值,設(shè)定為10,即只有決策樹節(jié)點(diǎn)中的樣本數(shù)量大于10,決策樹才會(huì)繼續(xù)分裂;對(duì)于每顆決策樹,使用Bootstrap方法從全部訓(xùn)練樣本中選取1-1/e≈63.2%的樣本作為該基學(xué)習(xí)器決策樹的訓(xùn)練數(shù)據(jù);在決策樹每次分裂時(shí)。

　　在實(shí)際建模中,使用隨機(jī)森林算法構(gòu)建模型,并輸出每個(gè)樣本每個(gè)月處于就業(yè)狀態(tài)的概率,其中繳納較全樣本的概率閾值為0.5,即高于或等于0.5判定為就業(yè),低于0.5判定為失業(yè);繳納不全模型所使用樣本受訓(xùn)練集的就業(yè)和失業(yè)樣本比例影響較大,有標(biāo)簽的就業(yè)樣本數(shù)量遠(yuǎn)多于失業(yè)樣本數(shù)量,造成嚴(yán)重的類別不平衡問題,所以對(duì)于繳納不全樣本,本文設(shè)置概率閾值為0.8,即樣本就業(yè)概率高于或等于0.8判定為就業(yè),低于0.8判定為失業(yè)。

　　(二)樣本構(gòu)建

　　由于本文有標(biāo)簽的樣本存在明顯的樣本不平衡問題,即樣本中的就業(yè)標(biāo)簽遠(yuǎn)多于失業(yè)標(biāo)簽,為處理這一問題,在訓(xùn)練集的構(gòu)造上調(diào)整了就業(yè)樣本和失業(yè)樣本比例。此外,本文在建模時(shí)增大了失業(yè)樣本的權(quán)重,從而減輕了數(shù)據(jù)不平衡對(duì)算法精度的影響。在具體建模過程中,針對(duì)繳納較全的樣本,使用2017年1—12月與2016年9月繳納較全的有標(biāo)簽樣本數(shù)據(jù),隨機(jī)選取25%就業(yè)樣本與全部失業(yè)樣本作為訓(xùn)練集。對(duì)于繳納不全的樣本,使用2017年1—12月與2016年9月全部有標(biāo)簽樣本數(shù)據(jù),并隨機(jī)選取25%就業(yè)樣本與全部失業(yè)樣本,作為訓(xùn)練集。因?yàn)槔U納不全樣本的五險(xiǎn)一金相關(guān)特征十分稀疏,所以在建模時(shí)沒有使用五險(xiǎn)一金特征。

　　四、模型結(jié)果與分析

　　(一)個(gè)人就業(yè)狀態(tài)預(yù)測(cè)結(jié)果

　　本文使用基于隨機(jī)森林算法的模型對(duì)該市全部樣本預(yù)測(cè)了其就業(yè)/失業(yè)狀態(tài)，展示了針對(duì)繳納較全樣本的模型和針對(duì)繳納不全樣本的模型在驗(yàn)證集上的混淆矩陣(ConfusionMatrix)。混淆矩陣由TruePositive(TP)、FalseNegative(FN)、FalsePositive(FP)、TrueNegative(TN)組成,在個(gè)人層面就業(yè)狀態(tài)的預(yù)測(cè)建模中,分別代表預(yù)測(cè)為就業(yè)且實(shí)際為就業(yè)、預(yù)測(cè)為失業(yè)但實(shí)際為就業(yè)、預(yù)測(cè)為就業(yè)但實(shí)際為失業(yè)、預(yù)測(cè)為失業(yè)且實(shí)際為失業(yè)。

　　五、結(jié)論

　　本文將機(jī)器學(xué)習(xí)算法與統(tǒng)計(jì)核算思想結(jié)合起來,使用某四百萬(wàn)人口城市2016—2018年的全樣本行政大數(shù)據(jù),先利用機(jī)器學(xué)習(xí)算法,對(duì)每個(gè)城鎮(zhèn)居民每個(gè)月的就業(yè)狀態(tài)進(jìn)行預(yù)測(cè),再基于統(tǒng)計(jì)核算方法,估計(jì)出該城市的失業(yè)率,并對(duì)勞動(dòng)力市場(chǎng)變化背后的原因進(jìn)行了分析。

　　在個(gè)人層面,本文的模型在樣本外測(cè)試集上的準(zhǔn)確率達(dá)到96.7%,平均F1值達(dá)到0.885。經(jīng)過統(tǒng)計(jì)核算加總,估算的當(dāng)?shù)?016—2018年月度失業(yè)率始終處于與國(guó)際上正常的失業(yè)率水平一致的區(qū)間范圍內(nèi),并表現(xiàn)出明顯的周期性波動(dòng),對(duì)就業(yè)動(dòng)態(tài)的刻畫明顯優(yōu)于當(dāng)?shù)匾荒臧l(fā)布一次的登記失業(yè)率數(shù)據(jù)。除了進(jìn)行加總分析之外,也從個(gè)體樣本的預(yù)測(cè)結(jié)果出發(fā),理解勞動(dòng)力市場(chǎng)變化背后的經(jīng)濟(jì)學(xué)因素。

　　從對(duì)失業(yè)人口的動(dòng)態(tài)追蹤來看,該城市大多數(shù)新增失業(yè)人口會(huì)在失業(yè)后兩個(gè)月內(nèi)找到新工作,說明勞動(dòng)力市場(chǎng)整體比較健康;從對(duì)失業(yè)人群的結(jié)構(gòu)性特征分析來看,女性、中年勞動(dòng)力以及初中及以下學(xué)歷人口的失業(yè)問題值得有關(guān)部門進(jìn)行針對(duì)性的關(guān)注。總之,本文的研究對(duì)如何使用行政大數(shù)據(jù)輔助經(jīng)濟(jì)決策提出了新的范式,對(duì)大數(shù)據(jù)時(shí)代如何理解經(jīng)濟(jì)與制定政策具有參考意義。

　　參考文獻(xiàn)

　　[1]程開明,莊燕杰.大數(shù)據(jù)背景下的統(tǒng)計(jì):第十七次全國(guó)統(tǒng)計(jì)科學(xué)討論會(huì)綜述[J].統(tǒng)計(jì)研究,2014,31(1):106-112.[2]遲巍.中國(guó)城市性別收入差距研究[J].統(tǒng)計(jì)研究,2008,25(8):54-58.

　　[3]黃恒君.政府統(tǒng)計(jì)生產(chǎn)體系中的大數(shù)據(jù)融入探討:基于數(shù)據(jù)源與數(shù)據(jù)質(zhì)量的分析[J].統(tǒng)計(jì)研究,2019,36(7):3-12.

　　[4]姜婷鳳,湯珂,劉濤雄.基于在線大數(shù)據(jù)的中國(guó)商品價(jià)格粘性研究[J].經(jīng)濟(jì)研究,2020(6):56-72.

　　[5]任澤平,熊柴,周哲.中國(guó)就業(yè)形勢(shì)報(bào)告[R/OL].

　　[6]徐康寧,陳豐龍,劉修巖.中國(guó)經(jīng)濟(jì)增長(zhǎng)的真實(shí)性:基于全球夜間燈光數(shù)據(jù)的檢驗(yàn)[J].經(jīng)濟(jì)研究,2015,50(9):17-29.

　　[7]曾湘泉.調(diào)查失業(yè)率統(tǒng)計(jì)是促進(jìn)更高質(zhì)量和更充分就業(yè)的科學(xué)舉措[EB/OL].