福建省高考充足率的分析与预测.docxVIP

福建省高考充足率的分析与预测 时间序列分析的意义 随着我国高等教育发展的加快，我国高等教育招生规模不断扩大，一些省份的高考招生成功率不断提高。高考录取率的发展趋势直接影响着高等学校的办学规模和生源质量,因此深入研究高考录取率的发展趋势有着十分重要的意义。 时间序列分析是一种现代数据处理方法,研究随机数据序列所遵从的统计规律。本文用时间序列方法分析高中毕业生和普通高等教育招生人数这两个影响高考录取率的重要指标,进而预测福建省未来10年高考录取率的发展趋势,以期为福建省高等学校招生和就业形势分析提供一定参考依据。数据收集自福建统计年鉴(2011年),1分析由Eview5.0软件完成。 1 时间序列模型 1.1 移动平均参数 非白噪声的时间序列{X,t=0,±1,±2,K}的自回归滑动平均模型ARMA(p,q)表示如下: xi=p∑i=1φix1-i-q∑j=1θjεt-j+εt(1)xi=∑i=1pφix1?i?∑j=1qθjεt?j+εt(1) 其中,εt～NID(0,σ2ε2ε);p∑i=1φixt-i∑i=1pφixt?i为自回归项;q∑j=1θjεt-jx∑j=1qθjεt?jx为移动平均项。 模型方程表明,时间序列{Xt}在时刻t的数值可以用前p个历史观测值的线性组合加上一个白噪声序列q项滑动平均来表示。 1.2 imap,d,q模型 ARIMA模型是通过d阶差分将原非平稳时间序列转化为平稳序列后,用ARMA模型来描述。ARIMA(p,d,q)模型的具体表达式为: -p∑k=1φkBk(1-B)dxt=-q∑k=0θkBkεt(2)?∑k=1pφkBk(1?B)dxt=?∑k=0qθkBkεt(2) 其中,εt～NID(0,σ2ε2ε);φ0=-1;θ0=-1;B为延迟算子,即Bxi=xt-1。 2 入学率和本科入学前的招生人数 以福建省小学、初中、高中的招生和毕业生人数的历史数据为样本,分析研究小学、初中和高中阶段的毕业生人数和若干年(学制)前相应的招生人数的比值关系,即毕业率,以及分析研究初中、高中的招生人数和当年相应的小学、初中的毕业生人数的比值关系,即升学率。采用时间序列方法分别对各阶段的毕业率和升学率建立数学模型,而后预测福建省未来10年(2012—2021年)的高中毕业生数,如图1所示。 2.1 小学毕业生数的测算 通过分析福建省小学招生和毕业生人数的历史数据,发现由于受到经济发展等因素影响,自2005年开始小学毕业生数远超过六年前的招生数,因此对招生数引入一个附加值(取近4年超出人数的平均值),计算得到6年后的小学毕业数。 2.2 研究样本 以1994—2009年的小学升学率作为样本点,分析样本序列的特性,建立AR(1)模型方程为: xt=0.360343xt-1+62.697620(3) 2.3 模型拟合准确度 以1990—2008年的初中毕业率作为样本点,通过二阶差分将原始序列转化为平稳序列,建立模型ARIMA(4,2,1)为: (1-B)2(1+0.703611B+0.252762B4)Xt=εt+0.946150εt-1(4) 对该模型进行样本内和样本外预测,见表1。样本内拟合精确度均在98%以上,说明模型具有较高的拟合精确度;样本外预测准确度均在98%以上,表明模型的短期预测效果较好。 2.4 时间序列的趋势项提取法 采用1994—2008年的初中升学率数据作为样本点,根据序列的曲线特征判断是带趋势的非平稳序列,采用非平稳时间序列的趋势项提取法。用arctan函数描述确定性部分和 ARMA模型来描述其平稳随机部分,最后将确定性函数与ARMA模型组合成为非平稳时序模型: Xt=33.98+11.47?arctan(0.52?t-4.78)-0.91εt-2+αt(5) 对模型进行预测检验,见表2。从预测结果看,模型的拟合和短期预测效果良好。 2.5 模型预测 以1986—2008年福建省高中毕业率作为样本点,对2009年和2010年的数据做样本外预测检验见表3,准确率均在97%以上,表明该模型具有适应性。模型方程ARIMA(3,1,3)为: (1-B)(1+0.509479B2+0.447627B3)xt=0.644720+εt+0.457546εt-2-0.687682εt-3(6) 根据上述数学模型,预测2010—2021年高中应届毕业生数,见表4、图2。预测结果显示,1997—2009年模型能很好地拟合真实值,在2009年毕业生人数达到最高点,与真实数据相符;在2010—2021年的预测中,对2010年的预测精确度达到99.98%,表明模型的短期预测效果较好。 结果显示,应届毕业生人数自2010年起按一定比率逐年下降,至2017年达到最低点,而后进入相对稳定阶段。 3 高等教育招生数模型建模