基于分析模型的人才需求分析與預(yù)測

黎佳佳　蘇明雪

摘 要：人才是城市發(fā)展的關(guān)鍵，保障城市有足夠的人才資源是促進(jìn)該城市進(jìn)步的重要舉措。同時，就業(yè)問題也是當(dāng)今社會專注的焦點(diǎn)問題之一。文章基于大量網(wǎng)絡(luò)招聘數(shù)據(jù)庫以及各人才市場的數(shù)據(jù)，對A城市的人才需求現(xiàn)狀和未來人才需求分別建立相應(yīng)的數(shù)學(xué)模型進(jìn)行分析，為城市的人才發(fā)展提供建議。

關(guān)鍵詞：人才需求；需求預(yù)測；培養(yǎng)規(guī)劃；城市發(fā)展

目前，就業(yè)市場的供需關(guān)系不穩(wěn)定，人才就業(yè)選擇的多樣化等，是現(xiàn)在就業(yè)市場的主要特點(diǎn)。為了實(shí)現(xiàn)人才與就業(yè)市場的相互滿足，需充分了解就業(yè)市場的發(fā)展情況，為城市的人才發(fā)展戰(zhàn)略和人才的就業(yè)選擇提供更好的建議。

1 A城市人才需求分析

1.1 A城市人才需求現(xiàn)狀

根據(jù)歷史和文獻(xiàn)數(shù)據(jù)[1-3]，本文主要從“工作需求”“期望的職業(yè)”和“所需的教育背景”3個影響A市人才需求的因素進(jìn)行分析，從人才需求總量、不同職業(yè)的人才需求量以及不同職業(yè)不同學(xué)歷人才的需求3個方面，進(jìn)行了研究。

1.1.1 A市人才需求量現(xiàn)況

圖1為2015年9月—2018年8月36個月該人才市場需求總量折線圖。其中橫坐標(biāo)表示時間，以2015年9月為第一個月開始計算，每一單位為一個月?？v坐標(biāo)為數(shù)量，每一單位為兩千。由圖可以直觀地看出人才需求總量與時間的變化關(guān)系。初步推測，人才需求總量與時間成周期性關(guān)系，且周期長度大約為12個月，每一周期內(nèi)都存在3個峰值，即大約在第5+12×r（r=0，1，2）月時是最低峰值，在第6+12×r（r=0，1，2）是出現(xiàn)最高峰值，在1+12×r（r=0，1，2）出現(xiàn)第二高峰值。由圖可見，第一高峰值逐年走低，最低峰值逐年走高，折線的極差有逐漸縮小的趨勢。

圖2為不同職業(yè)在2015年9月—2018年8月的時間內(nèi)，不同職業(yè)的需求總數(shù)。根據(jù)圖中數(shù)據(jù)分析可得，每年的2—6月份各職業(yè)需求量以及所有職業(yè)的需求總量達(dá)到高峰，每年9、10月各職業(yè)需求量以及所有職業(yè)的需求總量達(dá)到第二高峰，每年1月左右會迎來人才需求的低谷。其中銷售、銷售管理、行政管理、市場營銷 這4項(xiàng)職業(yè)的需求總量的先后位于前4位，且這4項(xiàng)之和超過所有職業(yè)需求總量的40%。

1.2 基于主成分分析法的“職業(yè)-學(xué)歷”需求打分模型

1.2.1 主成分分析法

主成分分析（Principal Component Analysis，PCA）是一種統(tǒng)計方法，它使用正交變換將一組可能相關(guān)變量（每個變量具有不同的數(shù)值）的觀察結(jié)果轉(zhuǎn)換為一組稱為主成分的線性不相關(guān)的變量。

1.2.2 主成分分析法計算步驟

為方便，假定原始數(shù)據(jù)標(biāo)準(zhǔn)化后仍用X表示，則經(jīng)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)的相關(guān)系數(shù)為：

第三步，用雅克比方法求相關(guān)系數(shù)矩陣R的特征值（λ1， λ2···λp）和相應(yīng)的特征向量。

第四步，選擇重要的主成分，并寫出主成分表達(dá)式。

第五步，計算主成分得分。

根據(jù)標(biāo)準(zhǔn)化的原始數(shù)據(jù)，按照各個樣品，分別代入主成分表達(dá)式，就可以得到各主成分下的各個樣品的新數(shù)據(jù)，即為主成分得分，具體形式可如下。

第六步，依據(jù)主成分得分的數(shù)據(jù)，則可以進(jìn)行進(jìn)一步的統(tǒng)計分析。其中，常見的應(yīng)用有主成份回歸，變量子集合的選擇，綜合評價等。

1.2.3 主成分分析法的計算結(jié)果

本文中選取了9個學(xué)歷作為變量，分別為：初中、高中、中專、?？?、學(xué)士、碩士、博士、工商管理碩士、不限學(xué)歷。利用主成分分析法對這9個指標(biāo)進(jìn)行刪減。

按照上述方法進(jìn)行計算，利用因子得分函數(shù)和解釋的總方差表中的旋轉(zhuǎn)平方和載入數(shù)據(jù)，以各因子的方差貢獻(xiàn)率占兩個因子總方差貢獻(xiàn)率的比重作為權(quán)重進(jìn)行加權(quán)匯總，計算得到各職業(yè)對學(xué)歷的需求評分函數(shù)：

根據(jù)公式，計算得到各年度的職業(yè)對學(xué)歷的需求分值，提取各年度前10名匯總得4年中職業(yè)對學(xué)歷需求的前5名（見表1）。

根據(jù)統(tǒng)計結(jié)果可知，銷售類、行政類和技術(shù)類工作對學(xué)歷需求比較多樣。

2 基于時間序列分析的人才需求預(yù)測

根據(jù)所得數(shù)據(jù)，本文從職位數(shù)量、人才需求總數(shù)、不同學(xué)歷需求3個方面對A城市未來3年的人才需求做出預(yù)測。

2.1 預(yù)測A城市的未來3年職位數(shù)量、人才需求總數(shù)

通過整合得到2016年1月—2018年8月的數(shù)據(jù)，利用SPSS的時間序列對數(shù)據(jù)進(jìn)行預(yù)測分析，得到2018年9月—2019年12月的預(yù)測數(shù)據(jù)，并由上述數(shù)據(jù)通過SPSS的時間序列分析進(jìn)行預(yù)測分析，得到2020年1月—2021年12月的預(yù)測數(shù)據(jù)（見圖3）。

2.2 預(yù)測A城市的未來3年的學(xué)歷的需求

2.2.1 49種職業(yè)數(shù)據(jù)匯總

通過數(shù)據(jù)匯總，得到49種職業(yè)在不同時期對不同學(xué)歷崗位數(shù)需求占比數(shù)據(jù)。

2.2.2 數(shù)據(jù)預(yù)測

根據(jù)2015年9月—2018年8月的數(shù)據(jù)，利用SPSS的時間序列分析進(jìn)行預(yù)測分析，得到2018年9月—2019年12月的預(yù)測數(shù)據(jù)。根據(jù)2015年9月—2018年8月的歷史數(shù)據(jù)，結(jié)合2018年9月—2019年12月的預(yù)測數(shù)據(jù)，通過SPSS的時間序列分析進(jìn)行預(yù)測分析，得到2020年1月—2021年12月的預(yù)測數(shù)據(jù)，如圖4所示。

根據(jù)預(yù)測的2015年9月—2021年12月數(shù)據(jù)與預(yù)測數(shù)據(jù)與 2015年9月—2021年12月人才學(xué)歷需求原始數(shù)據(jù)和預(yù)測數(shù)據(jù)計算得出圖5，即不同學(xué)歷隨時間變化人數(shù)需求圖。

根據(jù)圖5分析可得，預(yù)測未來3年各學(xué)歷也都隨時間都呈季節(jié)性變化。其中，學(xué)歷為Junior College的實(shí)際需求崗位數(shù)最多，且其季節(jié)性波動也是最大的。實(shí)際需求崗位數(shù)第三多的學(xué)歷是Senior middle school，其他學(xué)歷需求人數(shù)較少且波動也較小。MBA需求幾乎都是0。

3 大學(xué)生畢業(yè)去向的量化分析

當(dāng)今大學(xué)生就業(yè)選擇多樣化，明確影響大學(xué)生畢業(yè)后就業(yè)選擇的因素，并用層次分析法來對影響大學(xué)生在畢業(yè)后將去往何方進(jìn)行評價和量化。

3.1 層次分析法

層次分析法是指將一個復(fù)雜的多目標(biāo)決策作為一個系統(tǒng)，將目標(biāo)分解為多個目標(biāo)或準(zhǔn)則，進(jìn)而分解為多指標(biāo)的若干層次，通過定性指標(biāo)模糊量化方法算出層次單排序和總排序，以作為目標(biāo)、多方案優(yōu)化決策的系統(tǒng)方法。

3.2 層次分析法計算步驟

第一步，選擇建立層次結(jié)構(gòu)模型。

第二步，制定定量標(biāo)度，用來確定每個比較因素的相對重要程度。

第三步，根據(jù)制定的指標(biāo)體系表，將大學(xué)生就業(yè)選擇的影響因素分為兩級，并根據(jù)在本級中的影響因素對于上一級因素的影響程度進(jìn)行兩兩比較，最后構(gòu)建屬于本級的矩陣表。

第四步，建立判別矩陣，對所建立的判斷矩陣A計算滿足AW=λmaxW的最大特征根與特征向量。

第五步，計算一致性指標(biāo)CI以檢驗(yàn)判斷矩陣的一致性；

CI=（λmax）/（n-1） （8）

通過計算一致性比例CR進(jìn)行檢驗(yàn)，將CI與平均隨機(jī)一致性指標(biāo)RI進(jìn)行比較。

RI為平均隨機(jī)一致性指標(biāo)，各階RI值如表2所示。

3.3 模型求解

在層次分析法中，權(quán)重越大的因素對結(jié)果的影響越大，由上述步驟得出A城市中，排名前十的就業(yè)影響因素為：城市人均GDP、家庭文化、地理位置/交通建設(shè)、氣候環(huán)境、學(xué)習(xí)成績/掌握的專業(yè)技能、就業(yè)保障政策、文化發(fā)展水平。由此分析可得以下建議。

（1）城市可以通過其中提升城市人均GDP、交通建設(shè)、就業(yè)保障政策等提升對人才的吸引力。

（2）有意向考錄公務(wù)的群體，可以提升相關(guān)就業(yè)的保障措施，或通過組織專業(yè)技能培訓(xùn)使其獲得穩(wěn)定的就業(yè)崗位。

（3）考取研究生以及其他通過各種方式深造的群體，因其群體特征可知憑借較高的學(xué)歷水平與教育背景，相對較容易找到理想的工作或職業(yè)，此時城市需加強(qiáng)交通或基礎(chǔ)設(shè)施建設(shè)、有針對性地提升和發(fā)展文化水平，這有利于提升高學(xué)歷人才在城市生活的舒適度，進(jìn)而吸引其前來就業(yè)。

（4）在吸引創(chuàng)業(yè)人才方面，城市可主要關(guān)注本地高等院校的畢業(yè)生，加強(qiáng)高校創(chuàng)業(yè)孵化基地建設(shè)，增加人文關(guān)懷與政策扶持，鼓勵他們在當(dāng)?shù)貏?chuàng)業(yè)，并以此創(chuàng)造就業(yè)崗位，拉動就業(yè)率。

[參考文獻(xiàn)]

[1]THOMAS L.Analytic hierarchy process[EB/OL].（2016-01-23）[2019-02-22].https：//link.springer.com/referenceworkentry/10.1007%2F978-1-4419-1153-7_31.

[2]JOLLIFFE I.Principal component analysis[EB/OL].（2014-12-04）[2019-02-22].https：//link.springer.com/referenceworkentry/10.1007%2F978-3-642-04898-2_455.

[3]國家質(zhì)檢總局.國家經(jīng)濟(jì)行業(yè)分類[EB/OL].（2017-06-30）[2019-02-22].http：//www.stats.gov.cn/tjsj/tjbz/hyflbz/201710/P020181022345132273248.pdf.