基于時間規律的就業市場人才需求分析及預測

林宗彬

摘要：人才是城市發展的原動力，根據城市歷史人才狀況從而分析并判斷未來人才發展和流動趨勢，對調整城市發展戰略，部署人才引進政策具有極其重要的實踐意義。本文運用某市就業市場的工作需求數據，對某市人才需求模型進行建模和分析，結合中國發展實際形勢分析得到某市實際的人才需求模型并預測出某市未來幾年的潛在人才需求情況。

關鍵詞：時間規律；就業市場；人才需求；分析預測

1.引言

人才是城市創新發展的原動力。現在經濟環境變動迅速，資本、原料、一般勞動力等因素對經濟發展的影響整慢慢的減弱，相對的，高技術人才的重要地位越來越凸顯。人才資源可以用更短的時間學習更好的技術，制造更好的產品，掌握更好的管理方法。所有的新觀點、新產品、新技術都根源于人才，根源于有知識、有能力、積極進行創新和變革的人。

自2017年以來，一場人才爭奪戰，在各大城市間大面積爆發，西安、長沙、南京等城市，紛紛提出寬松落戶、就業創業激勵、優惠住房政策等政策。2018年的政府工作報告指出，鼓勵海外留學人員回國創新創業，拓寬外國人才來華綠色通道。可以預見，中國各地面向全球招攬人才的態勢將一直持續下去。

2.基于遺傳算法的BP網絡時間序列預測模型

在人才需求量預測中，前饋網絡是最常使用的神經網絡。在這種情形下，從數學角度看，網絡成為輸入輸出的非線性函數。如某個人才需求量序列數據為 進行其預測可用下式描述：

（1）

人才需求量預測即是用神經網絡來擬合函數 ，然后預測未來值。

BP神經網絡（反向傳播網絡back-propagation network）是目前應用最廣泛的一種神經網絡模型，可以用它來作為時間序列的預測模型。網絡由輸入層、隱層和輸出層組成，通常采用BP學習算法進行網絡的訓練。隱層可以有一層或多層，本文采用含有一層隱層的BP神經網絡。BP神經網絡BP學習算法步驟如下：

步驟1 輸入過去幾年人才需求量的訓練樣本，經過網絡的計算求出輸出預測值；

步驟2 將輸出值和理想值進行比較，求出誤差值；

步驟3 根據誤差調整神經網絡的個權值。

重復步驟1-3直至誤差值滿足精度要求。

遺傳操作完成后，取在整個遺傳操作中得到的最優數據作為神經網絡的初始權值，然后按上節所述利用BP算法對神經網絡進行訓練，求出最優解。

3.基于時間規律的就業市場人才需求分析及預測

首先對每個月的招聘需求數據進行整合，并繪制出招聘需求與時間的曲線，由圖分析可得，招聘需求隨月份呈現周期變化規律。

故本文采用時間序列分析ARIMA模型探究招聘需求隨月份的變化規律，并預測未來三年A市招聘需求的變化情況。根據預測結果，分析可得某市未來三年招聘需求的總數略有減少。這種情況的產生可能由兩方面原因造成：一方面，某市在引入創新型人才階段中提高了對求職者的受教育程度，導致了基礎人才的流失；另一方面，因為近年來，大學生出現的一些新的擇業傾向（參加村官考試、參加公務員考試、開辦自己的企業、從事離職工作、出國留學等），影響了某市未來三年招聘需求的總數。

接著，將不同部門對應的需求總量數據按月份進行數據整合，由于篇幅有限，本文只選擇了一組組具有代表性的部門繪圖結果進行展示，如圖2所示：

分析可得，不同部門對應的需求總量數據與月份存在同樣的周期變化規律，故采用模型對未來三年的某市各 部門的需求總量進行分析與預測。預測結果如圖3所示。

根據圖3的預測結果，分析可得在未來三年內，部分部門呈現出增長狀態，例如：Electronics/appliances/semiconductor/instrumentation/Engineering/machinery/energy等；也有部分部門呈現負增長狀態，例如：Sales management，HR等。總的來說，管理與經濟類、計算機類略有下降，工程類、藝術類和服務類稍有上升。

結語：

總而言之，當今社會發展對“人才”這以概念提出了不一樣的要求，只有牢牢抓住發展的契機，把自己打造成一個適應社會發展的高精尖人才，才能更好地適應時代地潮流。同時，學校也要面向工作地機制培養人才，做到學校與社會完美對接。

參考文獻

[1]王立敏.人才市場需求預測模型的研究與應用[D].河北師范大學，2013.

[2]魏淵博.實習護生就業意向影響因素的Logistic回歸分析[J].衛生職業教育，2018，36（8）：40-43.

[3]丁明磊.美國STEM教育計劃對我國科技創新人才培養的啟示及建議[J].全球科技經濟瞭望，2015，（7）：17-21.

（作者單位：山東大學（威海））