DC型企业年金与公共DB型养老金对参与者微观激励的比较.doc

DC型企业年金与公共DB型养老金对参与者微观激励的比较.doc

  1. 1、本文档共4页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
DC型企业年金与公共DB型养老金对参与者微观激励的比较

DC 型企业年金与公共 DB 型养老金 对参与者微观激励的比较 钱 敏 ( 福建金融职业技术学院, 福州 370005) 摘 要: 本文将 DC 型企业年金作为研究对象, 通过分析它和公共 DB 型养老金对计划参与者的 经济影响, 来比较二者对其微观激励的差异, 并利用文中建立的分析模型和方法对我国替代率政策目 标进行评价, 从而为更科学的制定替代率目标、降低缴费率, 最终减轻参与者的缴费负担, 推进我国企 业年金的有效发展提供理论参考。 关键词: DC 型企业年金; 公共 DB 型养老金; 微观激励; 替代率政策目标 中图分类号: F270 文献标识码: A 文章编号: 1002- 6487(2007)03- 0143- 03 企业年金在我国又被称为“补充养老保险”, 1991 年《国 务院关于企业职工养老保险制度改革的决定》第一次提出: 国家提倡、鼓励企业实行补充养老保险。到目前为止, 我国企 业年金推行的状况并不理想, 对此, 相当部分研究者认为主 要是我国没有有效解决税收优惠激励问题以及企业年金运 行环境不甚理想所造成, 也有部分学者认为原因在于我国基 本养老保险待遇水平过高。本文作者较为赞同后一种意见, 认为我国基本养老保险替代率目标选择过高, 导致人们缴费 负担较重, 从而影响到企业年金制度的有效推行。国内相关 研究文献对这一问题的研究主要集中于对基金积累制和现 收现付制等宏观方面的关注, 而企业年金对参与者的微观影 响却较少被提及。2000 年国务院《关于完善城镇社会保障体 系的试点方案》(国发[2000]42 号) 确定了我国企业年金实行 基金完全积累, 采用个人账户方式进行管理, 为方便计算和 比较, 本文将 DC 型( Defined Contribution 缴费确定) 企业年 金作为研究对象, 分析它和公共 DB 型养老金对计划参与者 的影响差异, 通过分析其经济影响来分别说明二者对员工的 微观激励, 进而对我国替代率政策目标进行评价。对参与者 的影响还包括是否激励提前退休, 从而影响劳动力市场的供 给, 进而影响社会产出, 但考虑到这属于宏观方面的范畴, 本 文将对此不予讨论。 DC 型企业年金是根据计划参与者缴费额的多少, 通过 公司x! 为 l 样本中第个 i 样本, k(x! ,x! *)为核函数, 本文认为并 度。支持向量参数优化是未来进一步研究完善的地方, 为企 i i 业并购目标选择提供更加准确的预测。 购目标选择是一个非线性不可分的情况下优化问题, 可在公 式( 1) , ( 2) 选择, 核函数为 RBF 核函数, αi,b 可以通过解二次 规划问题求解。回归问题可参见公式( 3) - (7) 。 4 结论 企业并购目标选择是由众多复杂因素决定的, 很难用一 种确定的数学模型来分析。借鉴其他企业以后合作经验, 综 合各类因素, 搜寻理想的并购目标和各种因素之间的关系对 于并购成败至关重要。SVM 是专门针对有限样本情况的, 其 目标是得到现有信息下的最优解, 具有较强的推广能力和卓 越的非线形动态数据处理能力, 从而在大量的并购目标信息 库中发现潜在的、有效的并购目标。SVM 将实际问题通过非 线性转换转换到高维的特征空间, 在高维空间中构造线性判 别函数来实现原空间中的非线性判别函数, 特殊性质能保证 机器有较好的推广能力, 同时它巧妙地解决了维数问题。其 算法复杂度与样本维数无关但是在选择支持向量参数时还 得依赖专家的经验试取, 准确成功与否取决于专家经验的程  参考文献: [1]Vapnik Vladimir N. The Nature of Statistical Learning Theory[M]. Berlin, Springer, 1995. [2]Van Gestel, T., Suykens, J.A.K., Baestaens, D.E., Lambrechts, A., Lanckriet, G., Vandaele, B., De Moor, B., Vandewalle, J. Finan- cial Time Series Prediction Using Least Squares Support Vector Machines within the Evidence Framework [C]. IEEE Transactions on Neural Networks, 2001, 12(4): 809- 821. [3](美)Vladimir N.Vapnik 著. 统计学习理论的 本 质[M]. 张 学 工 译 , 清 华大学出版社, 2000. [4]秦 喜 杰 , 陈 洪. 成 功 并 购

文档评论(0)

zhuwenmeijiale + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

版权声明书
用户编号:7065136142000003

1亿VIP精品文档

相关文档