连续群组的Oaxaca-Blinder分解方法与应用

Oaxaca-Blinder分解为两个群组间工资差异的定量分解提供了一个标准范式。在实际应用中,经常会遇到连续群组的情况,现有的Oaxaca-Blinder方法通常需要将连续群组简化为两个群组后才能进行分解。通过一些连续的数学变换,推导了连续群组的分解方法及其估计,拓展了已有的Oaxaca-Blinder分解,并将该方法应用于已有文献中的一个案例,研究表明,城镇居民与不同城市化程度的农民工群组都存在工资差异,且其工资结构效应占工资总差距的比例随着城市化程度降低而增加,也就是城市化程度越低的农民工,在劳动力市场上越处于劣势。与已有文献比较可知,新的分解方法取得了比标准Oaxaca-Blinder分解更为广泛和深入的结果。

我国城乡医疗支出不公平的动态演进——基于1993-2011年CHNS数据的Oaxaca-Blinder分解

目的实证研究和分解城乡医疗支出不公平的动态演进,兼论医疗保障制度改革的效果。方法借鉴IOM(The US Institute of M edicine,美国医学研究所)对于医疗保健不公平的定义,利用1993-2011年CHNS(China Health and Nutrition Survey,中国健康和营养调查)的混合截面数据,运用反事实分析下的Oaxaca-Blinder分解方法,测度城乡医疗支出不公平的动态演进。结果城乡不公平大于均值观察到的城乡差异,城乡不公平在2004-2011年呈现缩小趋势,SES(Socioeconomic Status,社会经济状况)效应逐步减小,这与新农合制度对社会经济状况的平滑作用有关。结论针对不同程度存在的城乡不公平现象,仍需要进一步改革户籍制度所带来的城乡社保待遇差距,缩小城乡医疗不公平。

基于Oaxaca-Blinder分解的异质性农户天气指数保险需求差异分析

利用黑龙江省同江市农户调查数据,采用Oaxaca-Blinder分解方法从主体异质性视角实证分析了新型农业经营主体与传统农户对天气指数保险需求的差异及主要影响因素。差异分解的结果显示:两类经营主体对天气指数保险需求存在显著差异,新型农业经营主体对天气指数保险的需求均值为0.661,比传统农户高0.258个百分点。差异中贡献较大的因素是土地经营规模、户主受教育程度及对本地天气的关注程度,而家庭贷款情况、年龄及购买农业保险的经历是降低天气指数保险需求的主要因素。

城市家庭住房不平等:户籍、禀赋还是城市特征?--基于广义有序模型与Oaxaca-Blinder分解

基于中国劳动力动态调查(CLDS)数据,运用广义有序Logit模型实证分析户籍、家庭禀赋和城市特征三类因素对城市家庭住房不平等的影响;运用夏普利值分解、Oaxaca-Blinder分解区分“努力”和“环境”因素、户籍歧视和禀赋效应的贡献。研究发现:户籍可解释住房等级不平等的54.2%;“努力”因素对住房水平起正向作用;在户籍间住房等级不平等中户籍歧视效应占主导,在住房面积不平等中禀赋效应占主导,外地户口居民住房水平低源于“环境”因素趋弱,农业户口居民则源于“努力”和“环境”因素叠加趋弱;由于生活成本效应占主导,城市规模和流动人口占比越大,居民住房等级趋低,而城市土地供给增长有助于提升住房水平。

生育二孩对不同地区女性工资率的影响--基于匹配法及Oaxaca-Blinder分解的分析

文章根据中国社会综合调查中心最新公布的数据,利用倾向得分匹配模型和Oaxaca-Blinder分解方法分析了生育二孩对我国不同地区已婚女性工资率的影响。研究发现,生育二孩对已婚女性的工资率有明显地负面影响,并且这种影响在不同地区有所差异。在东部地区,生育二孩导致女性工资率下降14.1%,在中部地区和西部地区,生育二孩对女性工资率的负向影响分别为8.61%和6.76%。除此之外,女性的个人禀赋特征、家庭特征及其配偶的特征在很大程度上能够解释这一生育选择对已婚女性带来的工资差距。

基于Oaxaca-Blinder分解法的区域经济发展差异研究——从环境规制角度分析

区域经济发展不平衡问题,一直是理论和实践工作的热点。论文基于2005—2018年上海市和安徽省的省级面板数据探究区域经济发展的差异性原因。首先通过随机森林法筛选出除环境变量外的其他重要影响因素,再通过经典门槛回归模型找到环境规制水平的分界点,然后根据该分界点将样本划分为两阶段,最后基于Oaxaca-Blinder分解法讨论不同环境规制阶段下经济发展差异的原因。研究发现:1)环境信访数为35 217件是划分环境规制水平的分界点,且安徽省和上海市目前均处于环境库兹涅茨曲线的前半段,环境规制的“创新补偿效应”起着主导作用;2)在单个变量的Oaxaca-Blinder分解结果中,人力资本和信息化水平分别在低水平子样本和全样本中成为经济发展差异的最主要原因,其特征回报差异值分别是-3.161 3和0.092 6;3)在总体Oaxaca-Blinder分解结果中,特征回报差异在全样本中的贡献比例增加了15.28%,说明在整体水平下,安徽省的经济发展水平“歧视”程度更加显著。基于以上结论,建议国家和政府在完善公众参与型环境规制相关政策的同时,还应给予青少年创新环境与创新资源、适当调整各地财政支出以缩小区域间的经济发展差异。这不仅有助于了解不同环境规制情况下省市的经济发展状况,也能从各个角度为实现地区经济发展平衡提供方向。

统一户口能否消除城乡居民收入差异中的户籍歧视?——基于Oaxaca-Blinder分解的实证研究

我国劳动力市场上户籍歧视的现象一直大量存在,这严重影响到了社会公平的实现。本文针对2015年中国综合社会调查研究的调查数据,通过使用Heckman样本选择模型和Oaxaca-Blinder差异分解方法,研究在户籍改革制度的背景下,拥有居民户口的城镇背景居民和农村背景居民的收入差异来源。本文的估计结果表明：农村背景的居民收入比城镇背景的居民收入低了25. 2%左右,其中个人特征效应贡献了57. 94%,;劳动力市场歧视则贡献了41. 67%。本文认为如果不存在相对公平的劳动力市场,那么统一户口的制度也许并不能改变农村背景居民在劳动力市场的弱势局面。

统一户口、劳动力市场歧视与城镇居民收入差异——基于Oaxaca-Blinder分解的实证研究

统一户口是否能够解决农村背景居民在城镇劳动力市场上的歧视问题?基于2008年中国社会综合调查的城镇数据,本文应用Oaxaca-Blinder分解方法分析了城镇居民收入差异问题。结果发现:农村背景(原来是农村户口)居民全年职业内收入比城镇背景居民低31.9%,其中有27.7%是由于市场歧视的原因所导致的。在本地户口样本中,收入差异有28.3%,其中市场歧视贡献13.4%。农村背景居民收入较低主要是因为其教育以及工作经验的回报较低。改变"农村背景"的定义后所进行的稳健性检验显示,以上结果仍一致成立。

中国城乡小时工资差异的结构性解释:基于Oaxaca-Blinder和分位数分解的实证分析

基于中国家庭追踪调查(CFPS)的数据,在扩展的Mincer方程基础上,利用Oaxaca-Blinder分解和分位数分解对城乡劳动力之间的小时工资差异进行了结构化研究。研究发现,教育对于我国劳动者小时工资的影响举足轻重,而劳动者健康、信任和社会保障等因素虽然特征效应不大,但系数效应十分显著。通过分位数分解,还发现同一解释变量对于不同收入阶层样本的影响程度甚至影响方向都显著有所不同:低工资群体中系数性差异比较明显,高工资群体中系数性差异有快速上升的趋势。研究结果有助于理解新时期我国经济新常态下城乡工资差异中的结构性特征。

我国城乡居民的医疗需求差异研究--基于Oaxaca-Blinder方法的回归分解

我国城乡之间存在着较为明显的医疗需求差异:2009年城市的平均医疗消费约是农村的2倍,城乡间的医疗需求不平等问题突出。为了考察城乡医疗需求差异的原因,本文应用CHNS2009年的截面数据建立城乡居民医疗需求方程,并借鉴Oaxaca-Blinder方法分解出城乡医疗需求差异的成因及其影响程度。研究结果显示,城乡居民的医疗需求差异中,有48.1%可归结于制度因素,城乡居民的医保待遇差异是造成城乡医疗需求差异的主要原因。据此,在城乡收入差距客观存在的前提下,下一阶段制度改革的重点应是:逐步提高新农合的补偿待遇,统筹城乡医疗保障制度,以消除制度因素所带来的城乡医疗福利差异。

中国四大城市群碳排放驱动因素时空分解研究

城市群是中国经济发展和能源消耗的集聚区域,也是碳排放的主要来源。研究中国典型城市群碳排放的时空演变特征及其影响因素对实现“双碳”目标具有重要意义。文中应用ST-IDA模型(时空指数分解分析法)和LMDI(对数平均迪氏指数法)分解法,分析2000—2019年京津冀、长三角、珠三角和成渝城市群的碳排放驱动因素(人口规模、经济水平、产业结构、能源强度和能源结构)。研究发现:2000—2019年间,四大城市群能源活动碳排放总体趋势均由高速增长阶段步入平稳增长阶段,其中成渝城市群已基本实现碳达峰;能源强度效应是影响碳排放空间差异的主要因素;人口规模扩张、经济发展水平提高和能源强度上升是促进碳排放增长的主要因素,产业结构和能源消费结构优化起到抑制作用;四大城市群碳排放的时空演变主要取决于工业部门。鉴于四大城市群呈现出不同的碳排放特征,未来应探索差异化、多元化的城市群减排路径,促进城市群碳减排。

中国碳排放影响因素分解及峰值预测研究

随着我国对2030年前达到碳排放峰值意愿的逐渐增强,首先,利用对数平均迪氏分解(Logarithmic Mean Divisia Index, LMDI)模型对我国2011—2019年人均碳排放量变化的影响因素进行分解,以明确各影响因素的贡献量、贡献率,并得出2011—2019年我国人均碳排放累积增长约为1.09 t。其中,经济发展起主要促进作用,累积贡献值约为5.61 t;能源结构优化和能源强度降低起抑制作用,累积贡献值分别约为-0.66 t和-3.86 t。其次,依据相关政策公布的经济社会发展预定目标,设定3种模拟情景下的指标变动量,并预测2022—2030年的CO_(2)排放量。结果显示:基准情景下CO_(2)排放量在2027年达到峰值,约为110.87亿t,人均CO_(2)排放量为7.69 t;低减排情景下CO_(2)排放量在2029年达到峰值,约为112.04亿t,人均CO_(2)排放量为7.75 t;高减排情景下CO_(2)排放量峰值出现在2023年,约为110.00亿t,人均CO_(2)排放量为7.74 t。

基于混合分解和PCG-BiLSTM的风速短期预测

为降低风速的随机性对风力发电的影响,提高风速短期预测的精准度,提出一种基于混合分解、双通道输入、多分支PCG-BiLSTM深度学习模型的短期风速预测方法。首先,将全年风速数据分为春、夏、秋、冬4个季度,选取春季作为主要实验对象;其次,利用奇异谱分解(SSD)和变分模态分解(VMD)以降低原始春季风速数据复杂度,生成具有不同模态且复杂度低的子分量,两种不同模式子分量组合为混合分量,实现不同模式分解算法的优势互补;最后,将混合分量以双通道的形式输入到多分支PCG-BiLSTM深度学习模型中,其模型的每个分支由卷积神经网络(CNN)与门控循环单元(GRU)并联组成时空特征提取模块,用于提取两种分解分量组合的混合分量的时空特征,各分支提取对应混合分量的时空特征经聚合后再由双向长短期记忆网络(BiLSTM)进一步提取风速信号的正向和反向双向波动规律,进而得到最终的风速预测结果。多组实验结果表明:提出的组合预测方法在短期风速预测中具有较高的精度和泛化能力,优于其他传统预测方法。

需求侧视角下数字经济拉动经济增长的因素分解

文章从需求侧角度研究数字经济对国民经济的影响,在此基础上运用国家统计局发布的数字经济核心产业分类标准,构建了2017年、2020年数字经济核心产业可比价非竞争型投入产出表,采用“假设抽取”调整的Leonti-ef模型测算了需求拉动作用下数字经济核心产业的产出效应,进一步地运用结构分解方法对各产业部门的产出增长因素进行分析。结果表明:数字经济核心产业对国民经济有显著的需求拉动效应,且通过后向关联效应对上游产业具有一定的带动作用,其产出量的变化是引起国民经济其他部门产出增长的主要原因。因此,发展数字经济需要在加强数字经济与传统产业融合的同时,特别要重视数字经济核心产业从需求侧“赋能”所引发的产出效应,并充分发挥其在需求侧产出效应的优势。

高速列车顶层设计指标分解研究现状与展望

顶层设计指标分解是决定高速列车正向设计周期长短和成功与否的首要环节.首先,在阐述运输能力、安全舒适、绿色环保、经济性等高速列车顶层设计指标的基础上,从系统结构组成、运行边界条件以及大系统耦合作用等角度提出高速列车顶层设计指标分解所面临的技术挑战;然后,论述设计指标分解方法、设计指标分解关联模型和设计指标分解协调策略3个方面研究现状,并分析现有方法的不足与新需求;最后,展望群落生态学在高速列车顶层设计指标分解中的适用性,剖析基于群落生态学的高速列车顶层设计指标分解将会面临的关键问题,并给出相应的解决技术路线,以期为高速列车顶层设计指标分解的深入研究和实践提供参考.

基于加速无约束张量隐因子分解模型的Web服务Qo S估计

针对基于张量非负隐因子分解模型的Web服务QoS估计方法过于依赖非负初始随机数据以及特意设计的非负训练方法,导致模型的兼容性和扩展性不高的问题,提出了加速无约束张量隐因子分解模型。其主要思想包括三部分:将非负性约束从决策参数转移到输出的隐因子,并通过单元素映射函数连接它们;运用结合动量方法的随机梯度下降算法,有效提高模型的收敛速度与估计精度;给出加速无约束张量隐因子分解模型的详细算法和结果分析。在实际工业应用中的2个动态QoS数据集上的实证研究表明,与最先进的QoS估计模型相比,所提模型具有较高的计算效率和估计精度。

工业园区碳排放多因素分解及其与经济发展的脱钩关系

综述分析了工业园区碳排放核算范围和基于一维或二维脱钩模型的工业园区碳排放与经济发展脱钩关系,并讨论了基于LMDI分解方法和Tapio脱钩模型构建的脱钩效应模型中各因素对脱钩关系的影响程度,为工业园区碳排放清单确立、脱钩程度分析、驱动因素识别和综合评估等方面提供参考。在此基础上,建议工业园区应合理制定碳排放清单,多维度考量碳排放驱动因素,构建更为全面的指标体系。

融合多重分解和差值修正的海浪波高预测研究

为了提升海浪波高预测精度,提出了融合多重分解和差值修正的海浪波高预测模型(J-DE-LSTM)。该模型采用自适应噪声完备集合经验模态分解,对波高数据进行一重分解,以及对分解后的残差分量进行二重分解;采用亲和力传播算法进行聚类降维并输人到长短期记忆网络进行预测获取初步预测值。建立波高观测值与初步预测值形成的差值序列进行三重分解,采用样本熵重构为趋势项和周期项并进行权重计算,构建粒子群算法优化极限学习机和LSTM的组合预测模型进行双轨并行预测;最后将预测结果与权重加权融合进行差值修正未来点位波高预测值。实验结果表明J-DE-LSTM模型较LSTM、TCN模型平均绝对误差提升约4.1%~11.5%,均方误差提升6.5%~15.2%。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。