基于分析模型的人才需求分析與預測

黎佳佳　蘇明雪

摘 要：人才是城市發展的關鍵，保障城市有足夠的人才資源是促進該城市進步的重要舉措。同時，就業問題也是當今社會專注的焦點問題之一。文章基于大量網絡招聘數據庫以及各人才市場的數據，對A城市的人才需求現狀和未來人才需求分別建立相應的數學模型進行分析，為城市的人才發展提供建議。

關鍵詞：人才需求；需求預測；培養規劃；城市發展

目前，就業市場的供需關系不穩定，人才就業選擇的多樣化等，是現在就業市場的主要特點。為了實現人才與就業市場的相互滿足，需充分了解就業市場的發展情況，為城市的人才發展戰略和人才的就業選擇提供更好的建議。

1 A城市人才需求分析

1.1 A城市人才需求現狀

根據歷史和文獻數據[1-3]，本文主要從“工作需求”“期望的職業”和“所需的教育背景”3個影響A市人才需求的因素進行分析，從人才需求總量、不同職業的人才需求量以及不同職業不同學歷人才的需求3個方面，進行了研究。

1.1.1 A市人才需求量現況

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。縱坐標為數量，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系。初步推測，人才需求總量與時間成周期性關系，且周期長度大約為12個月，每一周期內都存在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）是出現最高峰值，在1+12×r（r=0，1，2）出現第二高峰值。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為不同職業在2015年9月—2018年8月的時間內，不同職業的需求總數。根據圖中數據分析可得，每年的2—6月份各職業需求量以及所有職業的需求總量達到高峰，每年9、10月各職業需求量以及所有職業的需求總量達到第二高峰，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項職業的需求總量的先后位于前4位，且這4項之和超過所有職業需求總量的40%。

1.2 基于主成分分析法的“職業-學歷”需求打分模型

1.2.1 主成分分析法

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

1.2.2 主成分分析法計算步驟

為方便，假定原始數據標準化后仍用X表示，則經標準化處理后的數據的相關系數為：

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

第四步，選擇重要的主成分，并寫出主成分表達式。

第五步，計算主成分得分。

根據標準化的原始數據，按照各個樣品，分別代入主成分表達式，就可以得到各主成分下的各個樣品的新數據，即為主成分得分，具體形式可如下。

第六步，依據主成分得分的數據，則可以進行進一步的統計分析。其中，常見的應用有主成份回歸，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果

本文中選取了9個學歷作為變量，分別為：初中、高中、中專、專科、學士、碩士、博士、工商管理碩士、不限學歷。利用主成分分析法對這9個指標進行刪減。

按照上述方法進行計算，利用因子得分函數和解釋的總方差表中的旋轉平方和載入數據，以各因子的方差貢獻率占兩個因子總方差貢獻率的比重作為權重進行加權匯總，計算得到各職業對學歷的需求評分函數：

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

根據統計結果可知，銷售類、行政類和技術類工作對學歷需求比較多樣。

2 基于時間序列分析的人才需求預測

根據所得數據，本文從職位數量、人才需求總數、不同學歷需求3個方面對A城市未來3年的人才需求做出預測。

2.1 預測A城市的未來3年職位數量、人才需求總數

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

2.2 預測A城市的未來3年的學歷的需求

2.2.1 49種職業數據匯總

通過數據匯總，得到49種職業在不同時期對不同學歷崗位數需求占比數據。

2.2.2 數據預測

根據2015年9月—2018年8月的數據，利用SPSS的時間序列分析進行預測分析，得到2018年9月—2019年12月的預測數據。根據2015年9月—2018年8月的歷史數據，結合2018年9月—2019年12月的預測數據，通過SPSS的時間序列分析進行預測分析，得到2020年1月—2021年12月的預測數據，如圖4所示。

根據預測的2015年9月—2021年12月數據與預測數據與 2015年9月—2021年12月人才學歷需求原始數據和預測數據計算得出圖5，即不同學歷隨時間變化人數需求圖。

根據圖5分析可得，預測未來3年各學歷也都隨時間都呈季節性變化。其中，學歷為Junior College的實際需求崗位數最多，且其季節性波動也是最大的。實際需求崗位數第三多的學歷是Senior middle school，其他學歷需求人數較少且波動也較小。MBA需求幾乎都是0。

3 大學生畢業去向的量化分析

當今大學生就業選擇多樣化，明確影響大學生畢業后就業選擇的因素，并用層次分析法來對影響大學生在畢業后將去往何方進行評價和量化。

3.1 層次分析法

層次分析法是指將一個復雜的多目標決策作為一個系統，將目標分解為多個目標或準則，進而分解為多指標的若干層次，通過定性指標模糊量化方法算出層次單排序和總排序，以作為目標、多方案優化決策的系統方法。

3.2 層次分析法計算步驟

第一步，選擇建立層次結構模型。

第二步，制定定量標度，用來確定每個比較因素的相對重要程度。

第三步，根據制定的指標體系表，將大學生就業選擇的影響因素分為兩級，并根據在本級中的影響因素對于上一級因素的影響程度進行兩兩比較，最后構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CI以檢驗判斷矩陣的一致性；

CI=（λmax）/（n-1） （8）

通過計算一致性比例CR進行檢驗，將CI與平均隨機一致性指標RI進行比較。

RI為平均隨機一致性指標，各階RI值如表2所示。

3.3 模型求解

在層次分析法中，權重越大的因素對結果的影響越大，由上述步驟得出A城市中，排名前十的就業影響因素為：城市人均GDP、家庭文化、地理位置/交通建設、氣候環境、學習成績/掌握的專業技能、就業保障政策、文化發展水平。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、就業保障政策等提升對人才的吸引力。

（2）有意向考錄公務的群體，可以提升相關就業的保障措施，或通過組織專業技能培訓使其獲得穩定的就業崗位。

（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歷水平與教育背景，相對較容易找到理想的工作或職業，此時城市需加強交通或基礎設施建設、有針對性地提升和發展文化水平，這有利于提升高學歷人才在城市生活的舒適度，進而吸引其前來就業。

（4）在吸引創業人才方面，城市可主要關注本地高等院校的畢業生，加強高校創業孵化基地建設，增加人文關懷與政策扶持，鼓勵他們在當地創業，并以此創造就業崗位，拉動就業率。

[參考文獻]

[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]國家質檢總局.國家經濟行業分類[EB/OL].（2017-06-30）[2019-02-22].http：//www.stats.gov.cn/tjsj/tjbz/hyflbz/201710/P020181022345132273248.pdf.