應屆大學畢業(yè)生發(fā)展方向前景分析模型

王瑞梅　張曉娜　張供送　任文宇

摘? 要：隨著當代社會教育領域的不斷發(fā)展，大學畢業(yè)生人數正在逐年遞增，其畢業(yè)后的發(fā)展方向也逐漸變得多樣化。若想預測大學畢業(yè)生各個發(fā)展方向的發(fā)展走勢，需要逐年收集調查大學畢業(yè)生的發(fā)展意向，利用MATLAB對上述數據進行聚類分析，得到A城市大學畢業(yè)生的主流發(fā)展方向。再對各類發(fā)展方向進行詳細數據收集，通過提取各年份的考研人數級考研率、就業(yè)人數、就業(yè)率等數據，建立年份與各發(fā)展方向的人數、人數與對應概率的回歸分析模型。以此分析預測A城市大學畢業(yè)生的發(fā)展方向前景。

關鍵詞：聚類分析? 一元回歸分析? 統計預測

中圖分類號：F27 ? ?文獻標識碼：A 文章編號：1672-3791（2020）02（c）-0215-04

隨著人口總數的不斷增加，應屆大學畢業(yè)生人數也在逐年增長。隨著當今社會對人才的日益重視，人們深切體會到了引進人才對于城市治理、經濟發(fā)展和高新技術產業(yè)的推廣具有十分重要的意義。然而，對于每年數以萬計的大學畢業(yè)生，正確預估其選擇趨勢與未來走向變得愈發(fā)重要。對大學畢業(yè)生的發(fā)展傾向提前做出相應預測，有利于各地人才市場及時對人力資源需求做出調整;有利于各高校對招生計劃進行改進;工廠企業(yè)對招聘要求進行完善，以保證各個城市更好地實施人才經營戰(zhàn)略，將人才利用率發(fā)揮至最大。該文將以A城市為例，通過統計近年來本市應屆大學畢業(yè)生畢業(yè)后的發(fā)展方向，構造A城市大學畢業(yè)生發(fā)展方向前景分析模型，對A城市大學生未來選擇進行分析預測。以便對該城市的工廠企業(yè)、高等院校等單位針對各年份變化趨勢與變化幅度做出相應調整，更好地應對人口增長帶來的畢業(yè)生人數逐年激增現象。

1? 問題解決過程

考慮到不同年份大學畢業(yè)生的人數不同，其畢業(yè)后各自的發(fā)展意向也存在較大差別，首先需要對A城市各年份應屆大學畢業(yè)生的發(fā)展意向進行隨機調查收集，將獲得的數據按照年份與發(fā)展方向進行分類，并將完成分類的數據導入制圖軟件。然后對數據進行無量綱化處理，剔除不符合要求的數據。再采用聚類分析的方法，利用MATLAB繪制出相應的圖像，通過分析圖像獲得近年來A城市應屆大學畢業(yè)生的未來發(fā)展方向分類，得到較為概括的分類結果。對分類處理后得到的幾個主要發(fā)展方向進行二次數據收集，通過提取各年份的出國人數及出國率、考研人數、及考研率、就業(yè)人數及就業(yè)率等數據，對年份與各發(fā)展方向的人數、人數與對應概率之間分別構建回歸分析模型，綜合兩個模型所得到的一元回歸方程來綜合評價A城市未來大學畢業(yè)生的發(fā)展前景走勢。

2? 建模求解

2.1 聚類分析

首先通過查閱網絡數據庫，搜集每年A城市應屆大學畢業(yè)生出國、考研考公、自主創(chuàng)業(yè)、外出就業(yè)等方面的數據。對獲取的數據進行初步處理，刪除數據表格的來源信息，排除錯誤數據，進行歸一化處理。將得到的數據輸入MATLAB，對數據進行聚類處理，得到圖1。

由圖1可得，A城市大學畢業(yè)生的主要發(fā)展意愿有3類，分別為上崗就業(yè)、攻讀碩士研究生學位和出國學習。

2.2 構建就業(yè)人數與就業(yè)概率的回歸分析模型

接下來對以上發(fā)展方向進行二次數據收集，通過提取A城市近幾年的總出國人數、出國率、總考研人數及考研率、總就業(yè)人數及就業(yè)率等數據，對其分別構建一元回歸分析模型。在此將以近年來畢業(yè)于A城市后傾向于在該市求職就業(yè)的大學畢業(yè)生為例，構建A城市年總就業(yè)人數與就業(yè)率的回歸分析模型。

首先收集由2006至2017年A城市應屆大學生就業(yè)人數和就業(yè)率的相關數據，將數據輸入制圖軟件繪制散點圖，可以看出A城市大學生就業(yè)人數與就業(yè)率之間存在線性關系（見圖2）。

2.2.1 構建一元回歸方程

設一元線性回歸的模型為y=β0+β1x+ε。其中β0、β1為回歸系數，ε為隨機誤差項，總是假設ε～N（0，σ2）。其中x代表A城市大學生就業(yè)人數，y代表對應就業(yè)率。

對x和y分別進行n次獨立觀測，得到以下n對觀測值：（yi，xi），i=1，2，…，n，且這n對觀測值之間符合一元回歸模型y=β0+β1x+εi，i=1，2，…，n（對于每次觀測，當i≠a時，εi與εa之間相互獨立）。

2.2.2 最小二乘法計算參數

令，則。

令，。

可得如下方程組：

求解此正規(guī)方程組可得回歸方程的最小二乘估計：

，。

將所得A城市大學生就業(yè)人數與就業(yè)率數據輸入MATLAB，使用regress與rcoplot函數進行編程得：=-0.118，=0.0112，A城市大學生就業(yè)人數與就業(yè)率之間的一元回歸方程為y=-0.118+0.0112x。

同時可得：的置信區(qū)間是[-0.4657，-0.1731]，的置信區(qū)間是[0.0014? 0.0021]。R2=0.8849，F=99.8964，P=0.00002，s2=0.0024。由于R2∈（0，1]，擬合優(yōu)度可以解釋變異占總變異的百分比。

觀察由指令rcoplot（r，rint）繪制的殘差分布圖，全部殘差的置信區(qū)間均包含零點，此模型成立。

分布圖如圖3所示。

2.3 構建就業(yè)人數與年份的回歸分析模型

同構建就業(yè)人數與就業(yè)率的回歸分析模型步驟相似，首先提取A城市2006—2017年應屆大學生就業(yè)人數。使用制圖軟件繪制散點圖，分析所的圖像可以看出A城市大學生就業(yè)人數與其對應年份之間存在線性關系（見圖4）。

2.3.1 構建一元回歸方程

設一元線性回歸的模型為N=β0+β1M+ε。其中β0，β1為回歸系數，ε為隨機誤差項，總是假設ε～N（0，σ2）。其中x代表年份，y代表A城市大學生各年就業(yè)人數。

對x和y分別進行n次獨立觀測，得到以下n對觀測值：（yi，xi），i=1，2，…，n，且這n對觀測值之間符合一元回歸模型N=β0+β1M+ε，i=1，2，…，n（對于每次觀測，當i≠a時，εi與εa之間相互獨立）。

2.3.2 使用最小二乘法計算參數

與上文中一元回歸模型求法相似，使用最小二乘法計算一元回歸方程參數，在此將不再贅述計算過程。

在MATLAB軟件中，使用regress與rcoplot函數進行編程求得：=-6109.96，=3.06。A城市大學生就業(yè)人數與就業(yè)率之間的一元回歸方程為N=-6109.96+3.06M，且擬合優(yōu)度值可以解釋變異占總變異的百分比。全部殘差的置信區(qū)間均包含零點，殘差分布圖如圖5所示，此模型成立。

3? 模型應用

將年份數據代入所得模型，可得預測未來5年A城市應屆大學畢業(yè)生就業(yè)人口數與就業(yè)率，對應數據如表1所示。

綜合參考以上兩步回歸分析所得到的大學畢業(yè)生未來就業(yè)人數預測模型，可以對未來A城市大學畢業(yè)生的就業(yè)人數與就業(yè)率進行預估。未來5年（2020—2024）A城市應屆大學畢業(yè)生就業(yè)人數依次為71.24、74.30、77.36，80.42、83.48萬人;相應就業(yè)率依次為67.98%、71.41%、74.84%、78.27%、81.69%。可以得出未來位于5年A城市工廠企業(yè)應以1.05%的增長率對招聘人員數量進行擴招調整，以此減緩由待就業(yè)人數過多帶來的就業(yè)壓力。同時合理利用充足的人才資源，提高工廠的年生產效益，發(fā)展企業(yè)的整體競爭實力等。

對于A城市應屆大學畢業(yè)生的其余主流發(fā)展方向（如考研、出國等），可采用與預測就業(yè)人數相同的方法進行數據估測。通過提取各年份的出國人數及出國率、考研人數及考研率等數據。對年份與各發(fā)展方向的人數、人數與對應概率之間分別構建回歸分析模型，綜合兩個模型所得到的一元回歸方程來綜合評價A城市未來大學畢業(yè)生其他發(fā)展方向的前景狀況，以此對A城市應屆大學畢業(yè)生發(fā)展方向的定位分析做出進一步完善。

4? 結語

對于建立A城市應屆大學畢業(yè)生發(fā)展前景定位分析模型，首先調查收集A城市各年份應屆大學畢業(yè)生的發(fā)展意向，將獲得的數據按照年份與發(fā)展方向進行分類。利用聚類分析的方法，將所獲數據導入MATLAB繪制聚類分析直方圖，由此得到近年來A城市應屆大學畢業(yè)生的未來發(fā)展方向分類。再對幾個主要發(fā)展方向進行詳細數據的收集，對年份與各發(fā)展方向的人數，人數與對應概率之間分別構建回歸分析模型，綜合兩步回歸分析，對A城市未來大學畢業(yè)生不同選擇的前景走向進行預測估計，以保證人才的最大化利用。

參考文獻

[1] 程曉榮，吳紫薇.基于多元線性回歸分析的人力資源需求預測研究[J].電腦迷，2016（6）：81-82.

[2] 陳森法.一類系統的建模方法 復合回歸分析[J].系統工程，1989（1）：21-24，71.

[3] 陳君濤.高校畢業(yè)生就業(yè)預測算法研究分析[J].現代信息科技，2019，3（12）：86-87，90.

[4] 第十二章回歸分析[EB/OL].（2015-09-02）[2019-02-17].https：//www.wenku.baidu.com/view/d7ac76e1a417866fb94a8e10.html.