基于财富分布Pareto法则估计我国贫富差距程度--利用随机抽样恢复总体财富Pareto法则

本文利用胡润百富榜数据验证了财富分布Pareto法则在我国的成立。基于财富分布Pareto法则,本文尝试计算了2000—2010年我国财富分布的基尼系数即贫富分化程度。结果表明,在这段时间内,我国贫富差距水平总体上呈现先降低后增加的趋势,且贫富差距程度同我国政府的社会和经济政策存在密切的联系。本文还证明了我们可以通过样本方法恢复总体财富分布Pareto法则,给出了相应方法。本文证明样本按升序排列后所得序列服从随机的财富分布Pareto法则,基于该法则的普通最小二乘估计渐近无偏且一致地收敛到总体财富分布Pareto法则的参数。对应的Bootstrap分析表明这个方法是可行且有效的。

中国财富分布的Pareto拟合与贫富差距变化趋势

本文以国泰安CSMAR系列研究数据库系统中2013至2017年的股票数据为指标研究我国的财富分布,实证结果显示样本按降序排列后所得到的数据服从随机的财富分布Pareto法则,表明Pareto分布也能对我国的财富分布做出很好的拟合。通过粗略计算我国财富分布的Pareto指数,发现我国的Pareto指数总体上正在逐渐增大,表示我国的贫富差距正在逐渐缩小。尽管如此,贫富差距依然较大,还需要继续采取措施,缓和社会矛盾。

中国财富分布规律的实证研究

文章利用2003-2005年间《福布斯》公布的中国大陆富人榜的排名研究我国财富的分布,实证结果表明我国的财富分布也服从幂律分布。通过计算得到我国财富分布的Pareto指数在0.98-1.21之间,从拟合优度可以看出幂律拟合高水平财富分布的尾部情形比较好。我国财富分布的Pareto指数较美国和英国的小,但是比印度的大,说明我国的贫富差距比美国、英国要大,但是要小于印度。

基于庄家法则和信息熵的多目标进化算法

针对庄家算法的缺陷,提出了一种基于信息熵的庄家算法。其基本思想是:在使用庄家算法进行非支配解的选取前,先对群体的信息熵值进行计算。若熵值较低,即没有相对较好的分布度,则对群体进行遗传选择、交叉和变异操作,生成新的群体,直到熵值达到要求,再使用庄家法则进行计算。数值计算表明,这种新的算法既保持了庄家算法较高的收敛速度,又改善了群体的分布度,提高了种群的多样性,避免了过早收敛于局部最优解的现象。

基于擂台赛法则和聚集密度的多目标进化算法

多目标进化算法有两个重要研究内容:最优解集的构造和解的分布性。用擂台赛法则构造非支配集具有较高的效率,而聚集密度方法既能从宏观上刻画群体的多样性与分布性,同时也比较好地刻画了个体之间的内在关系。将聚集密度技术引入基于擂台赛法则的多目标进化算法。数值计算表明,这种新的算法既保持了擂台赛法则较高的运行速度,又改善了群体的分布度,提高了种群的多样性,避免了过早收敛于局部最优解的现象。