广州作为珠三角地区的核心城市、广东的省会城市，伴随着广州国家中心城市的加速发展，将会吸引更多的外来人口来广州市发展，导致劳动力供给量不断加大，就业压力进一步加大；同时，党中央为应对全球金融危机的影响，提出了“保增长、调结构、促改革、惠民生”的总体部署，掀起了新一轮转方式、调结构的序幕。“退二进三”所带来的就业存量动荡，经济结构调整和产业升级引起的“资本有机构成”的提高，劳动力市场的日渐完善和户籍制度的改革等一系列因素，必然引起劳动力在各行业和各区域间的流动和转移，从而影响从业人员总量规模发生相应的变化。对广州市从业人员规模的预测分析，对于广州市这样一个特大城市来说，有着重要的理论价值和现实意义。

一 ARIMA模型的构建思路

自回归移动平均模型简称ARIMA，该模型是一类常用的随机时间序列模型，由博克斯（Box）、詹金斯（Jenkins）创立，亦称B-J方法。它是一种精度较高的时间序列短期预测方法，其基本思想是：某些时间序列是依赖于时间t的一簇随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律，可以用相应的数据模型进行近似的描述。通过对该序列的分析研究，能够更本质地认识时间序列的结构和特征，达到最小方差意义下的预测。

ARIMA（p，d，q）模型中，AR指自回归，p为模型的自回归项数；MA为移动平均，q为模型的移动平均项数；d为实践序列成为平稳数列之前必须取其差分的次数。其一般的表达式为：

y_t=φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p+u_t-θ₁u_t-1-θ₂u_t-2-…θ_qu_t-q

二 ARIMA模型的应用

根据ARIMA模型的前提条件，建立模型的时间序列方法是以平稳随机时间序列为前提的。选取广州市1978～2010年全社会从业人员历史数据（见附表），令其为E，为减少序列的波动影响，对原序列进行自然对数处理，记为LE，并对其进行平稳性检验与处理。

（一）序列的平稳性检验

表1 时间序列LE的逐期差分平稳性检验结果

从表1看，序列LE的ADF检验t统计量值是1.35，比显著性水平为10%的临界值都大，所以不能拒绝原假设，序列存在单位根，是非平稳的，因此，需要对序列LE进行逐期差分，以形成新的平稳时间序列。一阶差分序列ILE的ADF检验t统计量值是-3.16，仍比显著性水平为10%的临界值都大，所以一阶差分后还是非平稳的。二阶差分序列IILE的ADF检验t统计量值是-3.96，小于显著性水平为1%的临界值，表明至少可以在99%的置信水平下拒绝原假设，认为序列IILE不存在单位根，为平稳序列。

（二）模型的识别与建立

图1 时间序列IILE的自相关—偏自相关

从图1可以看出，偏自相关系数显著不为0的个数为3，因此，阶数p取3；自相关系数在k=1处显著不为0，k=7时似乎也与0有显著差异，因此，取q=2。ARIMA模型形式都存在序列均值为0的假设，否则应做必要的转换。若序列y_t的样本平均数是 ，均值标准误为 ，则当 落入 时，认为序列满足0均值假设。经计算，序列IILE的均值为0.0021，均值标准误为0.0022，因此不能拒绝均值为0的原假设，表明差分后序列不必再进行变换。序列IILE可以建立ARIMA（2，2，3）模型，并利用Eviews软件计算模型的参数估计结果为：

（1+0.9012B-0.1496B²-0.0525B³）（1-B）²log（IILE_i）

=（1-0.6280B+1.1898B²）u_t

（三）模型的检验

从方程估计结果可以看出，各滞后多项式的倒数根都在单位圆以内，说明过程既是平稳的，也是可逆的。参数估计之后，还应对ARIMA模型的适合性进行检验，即对模型的残差序列e_t进行白噪声检验。常用残差序列的χ²检验，检验结果以及残差序列的自相关—偏自相关分析图如图2所示。

图2 残差序列的自相关—偏自相关分析图

从图2可以看出，残差序列的自相关系数均落入随机区间，表明残差序列是纯随机的。

三 模型的预测效果评估及预测

利用1978～2010年就业人员总量真实值与模型拟合值进行预测效果评估。利用Eviews软件技术模型计算的偏差率（预测均值与序列时间值的偏差程度）为0.000074，方差率（预测方差与序列实际方差的偏离程度）为0.000874，协变率（衡量系统误差的大小）为0.999052，平均绝对百分误差为9.625156，说明模型的拟合程度较好，预测的精度较高。

图3 ARIMA（3，2，2）模型拟合值与实际值对比图

虽然ARIMA模型自身存在着先天性的缺陷——随着预测期的延长，其预测误差也会逐渐增大，但在短期内它的预测还是比