基于支持向量机的养老保障满意度 非线性模型

目前对养老保障满意度的研究所采用的统计方法,都是基于养老保障满意度与影响因素之间的线性关系,且未对所建模型进行检验及理论预测。由于事物之间关系复杂,变量之间往往呈现非线性关系。采用支持向量机算法结合粒子群优化算法,建立养老保障满意度非线性模型。用于研究的养老保障满意度样本数为8 339份。结果显示,基于支持向量机的分类模型对养老保障满意度预测精度高于76%,预测性能优于二元逻辑回归预测结果。表明养老保障满意度与受教育程度、受教育满意度、家庭经济状况满意度、总体生活满意度、对社会总体评价等5个影响因素之间存在非线性关系。因此,应用支持向量机算法建立养老保障满意度非线性模型是可行的。     

基于广义回归神经网络的社会保障待遇公平感模型

对养老等社会保障主观感受的研究越来越受关注,但所用统计方法都是基于研究对象与影响因素之间的线性关系。由于人及人类社会关系复杂,变量之间往往呈现非线性关系。采用广义回归神经网络（GRNN）算法,建立养老等社会保障待遇公平性主观感受（公平感）非线性模型。将来源于中国社会科学院2015年的“中国社会状况综合调查”（CSS2015）的“养老等社会保障待遇”公平感分为“不公平”与“公平”两类。GRNN模型对训练集、测试集预测整体精度分别是81.4%、90.0%,分别优于支持向量机(SVM)模型的预测精度（80.1%、89.5%）,以及二元逻辑回归(BLR)预测结果（79.4%、88.5%）。基于5335份调查样本的研究表明,养老等社会保障待遇公平感与4个影响因素（教育程度、医疗保障满意度、就业保障满意度、总体社会保障状况满意度）之间存在非线性关系。因此,应用GRNN建立养老等社会保障待遇公平感非线性模型是成功的。