基于灰色BP神經網絡模型的人力資源需求預測方法

王保賢 ，劉 毅

（1.濟南大學 商學院，濟南 250022；2.山東龍山綠色經濟研究中心，濟南 250002）

0 引言

人力資源是寶貴的企業資源，對其預測分析具有重要意義，國內外不少專家學者都進行了相關研究。劉善仕等利用德爾菲法對企業的人力資源預測進行了研究，闡述了人力資源預測在企業管理中的重要性；Belhaj等通過Markov模型對企業的人力資源進行預測，獲得了企業未來人力資源的需求情況；鄭赤建等則利用灰色預測模型對旺旺集團進行人力資源預測分析，為其人力資源規劃提供了參考；胡延路等基于BP神經網絡對供電企業的人力資源進行了預測，認為BP神經網絡能夠獲得較好的預測結果。

由于影響人力資源需求的因素多且非線性相關，同時，層次分析法、多元線性回歸法、德爾菲法等傳統常用的分析預測方法存在著預測精度不高、主觀分析偏重等缺點和不足，因此，常見的預測分析方法不能對問題的本質進行真實的反映?；疑獴P神經網絡是灰色預測與BP神經網絡的結合，集合了二者優點，能夠有效應對人力資源需求預測相關問題中復雜非線性、不確定性、多因素影響的實際情況。蔣蓉華等對企業未來3年的人力資源需求進行預測，認為BP網絡模型比灰色預測模型具有更高的預測精度；白一言采用BP神經網絡模型對服裝企業的人力資源需求進行了實證分析，為服裝行業的企業人力資源需求提供了參考。目前，將灰色BP模型運用于電力行業人力資源需求的分析較少，本文以此為切入點，將灰色BP神經網絡模型運用到電力公司的人力資源需求預測分析中。

1 預測理論及模型構建

1.1 人力需求預測理論

人力資源需求預測需要遵循相關性原理及慣性原理。相關性原理基于研究對象之間的相關聯系并借助其他對象來預測目標對象。如A、B、C三者之間存在明顯的相關性，研究過程中能夠獲得A、B、C豐富的過往數據，同時還能通過合適的預測手段預測B、C的趨勢值，最終實現對A進行預測；慣性原理具體是指事物A進展較慢或其發展有規律可循，并能獲得一些有效的過往數據，在此前提下，即可選擇合適的手段對A的趨勢值進行預估。

人力資源需求預測模型以定性、定量分析為主。定性分析方法主要有:德爾菲法、主觀判斷法、微觀集成法等。以上方法更多地依賴于專家或經驗豐富的人，均存在著主觀成分偏重的缺點，預測結果極易出現非容觀的評判；定量分析方法主要有：生產函數法、比率法、趨勢法、回歸分析法等。以上定量分析基于現有數據進行預測分析，預測邏輯性嚴密，克服了定性方法的不足，但也存在著預測精度不高、收集數據困難等問題。因此，定量與定性方法相結合自然成為了企業人力資源預測的研究方向。

1.2 灰色BP神經網絡模型

人工神經網絡是一種含有若干簡單非線性聯結點或計算模塊的非線性系統。由許多簡單處理單元廣泛構成的Back-PropagationNetwork復雜網絡，簡寫為BP網絡，是目前研究最為深入、應用最為廣泛人工神經網絡之一。BP神經網絡包含輸入層、輸出層，克服了傳統評價方法的不足，豐富了相關評價手段，評價結果能夠真實地映射各分析指標間的非線性關系。

BP神經網絡模型適用于非線性的樣本分析，屬于定量分析，灰色預測模型則屬于定性分析，能夠預測分析對象的未來發展趨勢，對數據要求不高?；疑獴P神經網絡是BP神經網絡與灰色預測結合而成的組合預測模型，是一種定性、定量分析方法相結合的預測方法，具有適用性強、高度擬合非線性關系的優點，和單一的BP神經網絡模型、灰色預測模型相比，具有更好的預測效果，將其引入到人力資源需求研究，將有助于改進、豐富現有預測手段。

依據計算方法的不同，灰色BP模型又可劃分為串聯、并聯兩種。串聯型灰色神經網絡將灰色模型的預測結果作為BP神經網絡的輸入，然后通過神經網絡的擬合求出預測值；而并聯型預測模型則是同時求出BP神經網絡預測模型和灰色預測模型的預測值，通過計算得到二者的加權平均值，將其作為最終的預測值。根據分析樣本的特征，本文選用的灰色BP神經網絡模型為串聯型。

串聯型灰色BP模型具體實施如下：先通過灰色預測模型獲得企業人力資源預測的關鍵分析指標及相關預測值，然后輸入其預測值對神經網絡進行訓練，由此通過訓練好的神經網絡預測模型獲得最后的預測值。顯然，這樣預測的優點有：企業人力資源需求預測的關鍵指標由灰色預測模型提供，預測指標選取更科學、合理；同時，將灰色模型獲得的預測值作為BP神經網絡的輸入值進行訓練，訓練效果更好，獲得的預測結果更真實、準確。

本文選用的灰色預測模型為GM（1,1）模型，其預測方程式為：

其中，a、b分別表示發展系數和灰色作用量，由最小二乘法進行預估。

2 實證

2.1 企業概況

本文選取的分析對象是某地區的大型供電企業A，公司具體情況介紹如下：A公司是該地區的主要供電和管理單位，供電范圍涵蓋地區轄屬的29個鄉鎮及2個林場，總共設有31個二級供電公司；公司成立已有30多年，經過長期的發展，公司的人員結構和業務范圍（服務地區）及數量（主要是售電量及設備）發生了巨大的變化。到2015年，公司現有點電站中無人變電站類型已占97%以上，服務形成了以8個500千伏變電站為依托供電網絡。隨著國家電網市場化改革的不斷深化，企業發展面臨著新的挑戰，管理方法需要改進、人員結構需要優化、供電設備和設施需要進一步升級改造。在此背景下，A公司提出了“積極變革，人才優先”的人力資源口號，努力打造適應新形勢的人力資源管理體系，力爭成為國內一流的供電公司、行業內的排頭尖兵。A公司人力資源及公司業績信息主要通過公司信息發布整理匯總得到。

圖1描述了2005—2015年A公司的員工數量及售電量的變化趨勢?？梢钥闯觯珹企業的員工數量一直保持著增長的態勢，增速相對緩慢；而A企業的售電量除了在2011年左右呈現了一定下滑趨勢之外，總體上都保持了較好的增長，且在近一年總量增長的情況下依然保持了不錯的增長，對2011年間的電力需求下降可能是由國內經濟的疲軟等因素造成。

圖1 A公司2005—2015年員工數與售電量的變化趨勢圖

盡管公司員工人數保持了增長，但隨著國家相關政策的調整以及公司內部人力資源結構的變化，導致公司人員結構出現了一定的問題，具體表現為對輸電主網中的電力調度、輸變電人員需求較大。對此，公司有必要提前規劃人力資源部署，盡早完成人力資源需求預測，調整、優化人員結構，清理過剩人員，引入數量不足的專業人員，服務于公司的長期發展目標。

通過上述的基本情況可知，A公司發展歷史的相關信息比較詳實，數據豐富，且收集到的數據表現出一定的波動性，適合運用灰色BP神經網絡對其人力資源需求進行分析預測。

2.2 模型分析指標及篩選

本文結合A企業的實際情況，建立了企業的分析指標體系并基于灰關聯度法對所有指標進行了篩選，確定了最終的人力資源需求關鍵分析指標。

人力資源需求分析指標的建立應符合企業大小、企業生產經營、企業內外部人力資源環境等因素，基于以上原則，本文選取了如下分析指標作為A公司人力資源需求預測的初始分析體系，具體匯如表1所示。

表1 A公司人力資源需求預測分析體系

需求預測分析原始體系構建完成之后，需要從中篩選影響A公司人力資源需求較大的指標，即關鍵指標。篩選方法采用的是灰關聯分析方法中的計算綜合關聯度，分析結果匯總如下頁表2所示。

各個指標與人力資源的相關度由灰色系統建模軟件計算得到，具體結果為：

表2 A企業人力資源需求關鍵指標分析結果匯總

關聯度數值越大，說明對人力資源需求的影響也越大。對上述關聯度數值大小進行排序，可以得到：a1、a2、a3、a6四個變量的數值相對較大，即輸電網絡長度、下轄變電站個數、用戶總數量、上網售電量四個指標對人力資源需求分析有較大的影響，因此選擇以上四個分析指標作為關鍵指標。

2.3 建立灰色BP預測模型

灰色BP神經網絡模型的實施包含兩個階段：首先利用GM（1,1）模型進行分析獲得關鍵指標預測數據；然后是利用原始數據對BP神經網絡進行訓練，將關鍵指標預測值輸入BP模型，得到最終的預測值。

A公司2017—2019年人力資源需求關鍵分析指標預測值如表3所示。

表3 GM(1,1)模型的關鍵指標預測值

通過灰色預測模型獲得關鍵分析指標的預測值后，接著對BP網絡進行訓練。為了獲得好的訓練效果，本文對相關數據都做了歸一化處理，確保數據的合理性。BP神經網絡的參數設定如下：訓練的最大次數為45000次，訓練目標為0.00001，學習率為0.01。訓練輸入為2005—2015年的相關數據，2016年的數據留作對比。

圖2是BP神經網絡訓練的誤差趨勢情況?？梢钥闯?，BP網絡訓練獲得的輸出值與最佳輸出值差別不大。為了進一步說明該趨勢，本文通過線性回歸的方法對BP神經網絡模型的輸出值和期望值進行了分析，分析結果如圖3所示。得到R=0.9999，初步表明BP網絡模型得到了很好的訓練。

使用2014年的歷史數據對模型進行仿真，得到2014年實際輸出數值為6437，其計算相對誤差為1.0677%，小于3%，表明訓練后BP神經網絡模型具有很好的預測精度。將GM(1,1)模型獲得的數據作為BP神經網絡的輸入，預測A企業2017—2019年的人力資源需求，相關結果匯總如表4所示。

圖2 BP神經網絡預測誤差結果

圖3 BP神經網絡預測結果

表4 經過訓練的BP網絡預測結果匯總

根據預測結果，A企業需要進一步增加員工總數，具體的配置需求還需要結合公司實際情況進行調整。

2.4 灰色預測模型與灰色BP神經網絡模型的比較

為了直觀地比較灰色BP神經網絡預測模型及GM(1,1)模型的預測效果，本文分別進行了二者的預測分析，具體結果如表5所示。

表5 灰色預測模型與灰色BP模型的預測結果匯總

由表5中兩個模型的人力資源需求預測值可以清楚地看到，灰色BP網絡預測模型各個年份的預測結果比GM(1,1)模型更接近真實值，具有更好的預測精確度；同時灰色BP神經網絡預測模型的平均相對誤差僅為0.1481%，表明模型具有非常高的預測精度，間接說明本文中所選取的灰色BP神經網絡預測模型的適用性和可靠性。

因此，在分析對象相關信息充分且表現出一定的波動時，應該優選定量、定性組合的灰色BP神經網絡預測模型，而灰色預測模型則可更多地應用在信息較少、規律性強的分析案例當中。

3 結束語

本文將BP神經網絡預測模型與灰色預測模型組合的預測分析方法運用到某地區大型電力公司人力資源需求預測中。模型分析過程中，通過關聯度法構建了A企業的分析指標體系并基于關聯度分析確定了關鍵分析指標，然后把GM(1,1)模型得到的預測分析數據作為BP神經網絡的預測輸入數據。得到的預測數據說明表明A公司的人力資源需求會持續增加，企業有必要結合自身發展實際情況，制定人力資源規劃，合理引入緊缺員工、辭退冗余員工；同時，通過對比灰色BP神經網絡預測模型與灰色預測模型的預測結果，發現灰色BP預測模型具有更高的預測精度，也間接說明本文中對A企業所選用組合模型的合理性。不同的人力資源預測模型有各自的適用范圍，一般而言，定量、定性分析的組合預測模型有著更好的預測精度和更廣的預測應用場合。