基于ARIMA模型的浙江省旅游人才需求预测及人才培养研究

叶静　魏敏

【摘要】在对近十五年浙江省旅游企业的从业人数统计资料进行分析的基础上，论述浙江省旅游人才培养的供需现状，运用ARIMA模型对浙江省未来几年的旅游人才需求趋势进行预测，并提出浙江省旅游人才培养的对策，以期进一步促进浙江省旅游产业的发展。

【关键词】ARIMA；旅游人才；需求；人才培养

【中图分类号】G712

【文献标识码】A

【文章编号】1001-8794（2014）03-0106-03

【收稿日期】2013-11-25

【作者简介】叶静（1982-），女，浙江宁波人，硕士，讲师，教务处教学运行主管，研究方向为旅游教育、高等教育；魏敏（1975-），男，浙江宁波人，经济学博士，工商管理博士后，副教授，研究方向为旅游管理理论与方法、旅游高等教育。

一、引言

人才资源的需求预测是各种人才工作的基础，只有明确地知道未来的经济发展需要多少人才，才能有针对性地进行培养。浙江是一个旅游大省，浙江省旅游业人力资源总量随着旅游业的发展稳步增长、质量逐步提升。与此同时，很多高校都开设了旅游专业，如何满足旅游市场的需求，适应旅游业的快速发展，培养出适应未来市场需求的高素质旅游人才，已成为这类高校当前的一项重要任务。因此，对旅游人才需求预测的研究可以防止盲目地扩大培养而造成人才资源的浪费，对创建具有学校特色的旅游专业具有一定的指导意义。

另一方面，由于旅游业的服务性特征导致旅游人才建设成为旅游业发展的核心。要想全面推进旅游业的发展，加快经济建设，必须加大对旅游业人才队伍的建设。因此，对浙江省旅游行业人才需求预测进行研究，探索培养满足浙江省旅游业需求的人才，对促进浙江省旅游产业的发展，具有重要的现实意义。

二、浙江省旅游人才培养供需现状

（一）从业人员

随着浙江省旅游业的发展，旅游就业人数也逐年增加，据《中国旅游统计年鉴》显示，自1995年起至2010年，浙江省直接旅游从业人数从4万多增加到24万多。这15年间，浙江省旅游从业人数均位于全国前十名。饭店从业人员占旅游从业人员的多数，其次是来自旅行社和其他企业的员工（本研究的旅游从业人数指的是《中国旅游统计年鉴》中的直接旅游从业人数，主要指的旅行社、星级饭店和其他旅游企事业单位的在职人数，未包括社会旅馆和个体旅馆的从业人员）。

“十一五”期间，我省旅游业发展迅速，人才队伍建设取得了可喜的成绩。至2010年末，浙江省旅游饭店、旅游景区、旅行社等直接从业人员24万余人，间接旅游就业人数超过310万，占全社会就业人数的61%以上。从学历职称上看，其中大专学历占209%，本科学历占762%，研究生学历占08%；初、中级职称人数分别占 2162%、78%，高级职称人数为281%。从类型来看，旅游服务技能人才约占63%，专业技术人才占192%；旅游管理人才（含企业经营管理、旅游部门行政管理人才）占178%。从地域分布看，杭州、宁波、温州三地人才占到总量的59%。进入“十二五”，浙江省旅游经济继续呈现平稳发展的态势。据浙江省旅游经济发展公报显示，到 2011年末，旅游从业人员占全社会从业人员的698%。从以上数据看出，旅游从业人员数量不断增长，但是从学历职称上来看，主要是低学历、低职称人员，从类型上看多为服务型人才，缺少高学历、高职称的高级旅游管理人才。

（二）人才培养

随着市场需求的增大，旅游人才供给也逐年增加，全省旅游院校从1997年的58所、5297名学生，增加至2010年的109所院校、53902名学生。2010年，浙江省旅游局统计口径内旅游行业培训达2582万人次，比2005年增长129倍。

三、基于ARIMA模型的人才需求预测

（一）ARIMA模型理论

ARIMA模型是一种时间序列预测方法，全称为差分自回归移动平均模型（Autoregressive Integrated Moving Average Model，简记ARIMA），是由博克思（Box）和詹金斯（Jenkins）于20世纪70年代初提出的。它的基本思想是将预测对象随时间的推移而形成的数据序列视为一个随机序列，用数学模型来描述，模型被识别后可以从时间序列的过去值及现在值来预测未来值，而且这种模型的预测时间以短期为主。ARIMA模型的特点在于分析统计数据依时间变化的规律，以时间为综合变量，反映了曾经发生过的所有影响因素间的因果关系和结构关系。ARIMA预测过程分模型的识别、估计和检验三个步骤：（1）模型的识别。对序列的平稳性进行识别，如果数据序列是非平稳的则进行平稳化处理。（2）参数估计。可用条件最小二乘法来估计模型中自回归部分及滑动平均部分的参数，利用筛选出的最优模型进行预测。（3）模型检验。在前两步的基础上得到时间序列的初步模型，检验此初步模型是否合理，利用已通过检验的模型进行预测分析。

（二）应用ARIMA模型预测浙江省旅游人才的需求状况

由于ARIMA近期预测效果比较好，为了使长期预测更精确，在运用ARIMA模型的同时，我们还考虑了人口、人均GDP、入境旅游人次和国内旅游人次对旅游从业人数的影响。因此，采用多元线性回归方法，建立残差与人口、人均GDP、入境旅游人次和国内旅游人次的回归方程，以进一步得到残差的预测值，最后把预测值与残差预测值相加即得最终预测值。

经过对原始数据的平稳化识别，证明数据是平稳序列。依据自相关函数和偏相关函数的截尾和拖尾状况判断模型系数最佳参数p、d、q分别是0、1、0，即模型ARIMA（0，1，0）。将数据带入SPSS190统计软件实施运算，得出2013—2015年浙江省旅游人才需求趋势预测。从图1可以看到ARIMA（0，1，0）对原始数据拟合得很好，预测值落在真实值的95%的置信区间内，并给出了2011—2015年的预测值。

本文为了更清楚地了解所需旅游人才的具体类型，还预测了旅行社和星级饭店所需的从业人数（如表1所示）。

四、浙江省旅游人才培养的对策

（一）加强旅游人才队伍培养

1培养应用型旅游专业人才

据2010年数据统计，浙江省旅游从业人员学历职称均偏低，本科学历占762%，研究生学历占08%；初、中级职称人数分别占 2162%、78%，高级职称人数仅为281%。发展应用型复合型人才是浙江省旅游业发展“十二五”规划的重要任务之一。因此，浙江省各高校应大力发展旅游专业教育，尤其是旅游职业教育。相比浙江省历年旅游从业人数在全国的排名，浙江省目前有旅游专业的高校比较少。为此，浙江省有条件的高校应加强旅游专业教育，并且重视对学生的专业技能培养。另外，加强旅游类专业与企业之间的校企合作，加大培养高层次创新型人才和复合型人才的力度。

2培养各类型的旅游人才

根据浙江省旅游业发展的趋势，需求最大的为饭店从业人员和旅行社人员，根据2013—2015年的需求预测，饭店从业人数是旅行社从业人数的10倍。根据浙江省旅游业发展“十二五”规划，还应大力开发围绕旅游景区发展新趋势，以及休闲度假旅游、文化旅游、海洋旅游、森林生态旅游、旅游工艺品设计制造等领域的各类紧缺人才。浙江省各高校应积极开展专业调查，针对市场需求适当地调整专业计划和课程设置，适度地确定招生人数，合理培养各类型的旅游人才。

3完善旅游人力资源教育培训体系

首先，继续推动院校工程，加强各高校旅游专业建设。其次，构建良好的校企合作关系，为高校教师的在职培训创建良好的平台，提高专业教师的素质，从而使高校更好地服务社会。最后，确立和完善岗前和在职培训制度，在各地建设和培育一批形式多样、各具特色的培训机构，实行岗前培训，持证上岗。

（二）建立旅游人才流动机制

据统计，旅游业人才年流动比率在旅游发达国家高达40%以上。要进一步落实相关人才政策，建立和完善旅游人才资源的市场化配置和开发机制，健全信息化、国际化的旅游人才市场服务体系，构建浙江省旅游人才成长的良好环境。2010年底，浙江省旅游从业人数按照地域分布统计，杭州、宁波、温州三地人才占到总量的59%，台州为753%，绍兴为668%，金华（不含义乌）为539%，湖州、舟山、丽水、嘉兴、衢州等地人才占全省总量的比重都在5%以内。根据我省各地旅游业的发展情况，应建立以杭州为中心，以宁波、温州为两轴的旅游企业人力资源培育市场，充分发挥其辐射、带动、示范作用，推动发展各地市旅游人才市场，带动浙江省整个旅游业的发展。推动全省建立和完善人才供需信息发布及共享机制，推动长三角区域内旅游人才供需信息共享机制建设。

（三）完善旅游人才的激励机制

旅游业作为服务型行业，准入门槛低，让人误以为工作简单，因而不被重视，尤其是对于基层的服务人员更是如此，这也是目前很多旅游专业的毕业生转行未从事旅游行业的原因。为改变这一现状，应提高旅游业人才的待遇，以便增强对人才的吸引力。尤其是对高素质的旅游人才，应大力完善激励机制，建立与现代企业制度相适应的企业经营管理人员薪酬制度。要坚持高素质旅游人才收入与经营业绩直接挂钩，拉开分配档次，允许他们获得较高的报酬。如自2010年开始，浙江省旅游从业人员也可以考取专业技术资格，对于旅游从业人员来说，这是一种有效的激励措施，可以更好地调动浙江省高素质旅游人才的积极性，使旅游人才在推动旅游业发展的过程中，确立自己的工作目标，追求自身利益的最大化。旅游企业还应采取切实可行的措施，鼓励和吸引优秀毕业生加入到旅游行业中来。

【参考文献】

[1]生延超湖南旅游人才需求预测模型的构建[J].湖南商学院学报，2005，（4）：61-64.

[2]王昆欣，李成军，褚蓓浙江省旅游人力资源现状的分析[J].桂林旅游高等专科学校学报，2007，（12）：837-840.

[3]崔志英大同市卫生人力资源现状及需要量预测研究[D].太原：山西医科大学硕士学位论文，2008.

[4]谢龙汉，尚涛 SPSS统计分析与数据挖掘[M].北京：电子工业出版社，2012.