大学生择业偏好联合分析

钱峰，郭靖，徐梦蝶

(1.常州工学院理学院，江苏 常州 213002;2.南通大学理学院，江苏 南通 226007)

语意微分法［1］(semantic differential method)，简称SD法，是美国心理学家C.E.奥斯古都通过语言尺度进行心理感受测定的方法。具体实施方法:借助一些意思相反的形容词作为研究对象的价值、力量及活动性等的评价因子，通过被调查者的选择来客观测定和分析他们的心理反应因子，从而建立被调查者对应的心理评级体系。

联合分析［2-6］是一种多元统计的研究方法。在应用中，联合分析的因变量是被调查者对某一轮廓的整体偏好评价，对其进行分解进而估计被调查者的各影响因素偏好。基于全轮廓的联合分析模型通常表示为以下效用函数形式［7］:

式中:U(X)为组合的总效用估计;aij为属性i水平j的部分效用值或贡献;Xij为虚拟变量，用来刻画属性i水平j是否出现:出现取值为1，否则取值为0。

本文运用SD法通过问卷调查，对大学生择业因素进行感性评价，并确定影响大学生择业的主要因素，再运用联合分析法对大学生择业偏好进行研究。

1 语义微分法

本文在调查之前，通过专家意见法、文献查询法确定出10个影响大学生择业的因素:专业对口性、工资待遇、工作压力、发展机会、企业规模、企业效益、离家距离、合约期限、工作环境、地区位置。考虑到因素数量多会增加计算的复杂性，因此利用SD法建立大学生择业因素评价体系，并通过因子分析法减少因素的选取个数。使用SD法时，选取了10组形容词对分别与10个因素对应:①专业对口的—专业不对口的;②工资高的—工资低的;③工作压力小的—工作压力大的;④发展机会大的—发展机会小的;⑤企业规模大的—企业规模小的;⑥企业效益大的—企业效益小的;⑦离家距离近的—离家距离远的;⑧合约期限长的—合约期限短的;⑨工作环境好的—工作环境差的;⑩地区位置好的—地区位置差的。

为了使受访者能够更准确地对大学生择业因素进行评价，本调查的评价尺度设置了5个等级，等级对应的分值以0为中心点，依次排序为2、1、0、-1、-2。以专业对口性为例，具体评价尺度分值情况见表1，其他因素的赋分与此类似。根据以上要求，设计调查问卷，本次调查的受访者是大三及大四的大学生，且随机选取被调查者。本调查共发出了60份问卷，其中有效问卷52份。被调查者赋分均值条形图见图1。

对上述数据做检验，由表1可见，KMO值为0.560，Bartlett球形检验的P值为0.000，均说明检测数据适合进行因子分析。借助因子分析中各公因子提取信息值的大小比较，可以选取地区位置、专业、企业效益、工作压力、发展机会和工资为影响大学生择业的6个主要因素，其属性水平表如表2。

表1 评价尺度分值情况

图1 SD法被调查者赋分均值条形图

表2 属性水平表

2 联合分析

2.1 正交试验设计

在建立全轮廓联合分析模型前，需借助虚拟工作类型对上述各属性及其属性水平进行整体考虑，取各个属性的任一水平形成的1个组合(轮廓)设计成卡片形式供被调查者赋分评价。例如，形成1个轮廓如下:专业不对口、800～1 500、压力较小、沿海中小城市、效益大、基本无深造，并将其制作为1张对应的卡片。由表2容易计算出全部轮廓组合数为2×3×2×4×3×3=432种。若要求被调查者对全部卡片进行逐个赋分评价，显然是不合适的。为此，采用实验设计中的正交设计方法减少轮廓个数，使其减少到16张，即得到16种工作组合，设计出调查问卷并要求受访者对16种择业组合进行打分(见表3)。

表3 16种正交设计卡片及其分值情况表

2.2 联合分析结果及解释

根据被调查者对上述正交设计卡片的赋分，建立联合分析全轮廓模型，并得出模型各系数估计值，如表4所示。

表4 大学择业联合分析全轮廓模型系数

由表中联合分析系数结果，可以得到如下效用方程:

U(X)=4.371+0.18X11-0.18X12-0.79X21+0.185X22+0.604X23+1.002X31-0.31X32-0.692X33-0.061X41-0.055X42+0.002X43-0.061X44+0.073X51+0.007X52-0.08X53-0.345X61+0.345X62

由此，通过效用方程可以看出:在其他量不变的情况下，择业组合的各属性水平中出现专业对口、工资收入为1 500～2 500元、工资收入为2 500元以上、工作压力较小、沿海大城市、内陆省会重要城市、企业效益高、企业效益中等以及深造机会大时，总效用值都会增加相应的值，也就是说，以上这些属性水平对总效用值都有正作用;在其他量不变的情况下，择业组合的各属性水平中出现专业不对口、工资收入为800～1 500元、工作压力很大、沿海中小城市、内陆中小城市、企业效益低、深造机会小以及基本无深造机会时，上述总效用值都会减少相应的值，也就是说，以上这些属性水平对总效用值都有负作用。

另外，对联合分析模型所得的预测得分与被调查者实际打分之间进行相关分析(见表5)。由表5可以看出，Pearson和Kendall等级相关系数的检验都是显著的，这表明联合分析模型的拟合效果是相当的好。因而，所建立的联合分析模型的假设以及得出的属性效用值均为合理，能够比较准确地反映被调查者在择业时的偏好。

表5 预测得分与实际得分的相关性检验

表6是各属性的相对重要性，表示各属性对于被调查者的相对重要性权数。对于联合分析研究问卷的被调查者而言，发展机会在所选出的6个属性中所占比重最大，为29.764%，其次是工资收入属性，为25.393%，这就表明受访者在择业时最看重的是工资和发展机会这2个属性。

表6 属性效用全距及相对重要性

进一步利用各属性取不同属性水平时的效用平均值，比较各属性不同水平的相对重要性。

1)专业属性群体比较(见图2)。由图可知，在被调查者群体中，“专业对口”属性水平具有较大的优势，而“专业不对口”属性水平的效用值为负的。

2)工资属性群体比较(见图3)。由图可知，在被调查者群体中，“2 500元以上”属性水平的效用值最高，说明该水平最受偏爱。观察工资收入属性的3个水平，可以发现工资收入越高的属性水平，它的效用值越高。

图2 “专业对口”属性群体效用直观图

图3 “工资收入”属性群体效用直观图

3)工作压力群体属性比较。在被调查者群体中，“工作压力较小”属性水平具有一定的优势，而“工作压力较大”属性水平的效用值为负的。

4)工作地点群体属性群体比较。在被调查者群体中，工作地点“内陆中小城市”属性水平的效用值最高，说明调查对象在工作地点的选择中偏爱内陆中小城市。综合观察工作地点各属性水平效用值，可以发现越靠近沿海越不受欢迎。

5)企业效益属性群体比较。在被调查者群体中，工作单位“效益高”属性水平的效用值最高，这说明，效益大的企业较为受调查者的偏爱。

6)发展机会属性群体比较。在被调查者群体中，“深造机会大”属性水平的效用值最高，说明调查者偏爱于深造机会大的工作。另外，随着深造机会的减少，该属性水平的效用值也在减小。

3 结论

为了比较基于不同属性水平的大学生择业偏好，可以通过联合分析模型计算出16种组合的效用值。通过比较各模拟组合的效用值，可以看出16种大学生择业中，效用值大于5的有6种组合，依次是组合 6、7、12、14、5、2(见表7)。

表7 16种模拟组合的总效用值计算结果

根据上述的群体效用分析结果，可见效用值最大效用值为8.023，其对应的为择业组合6:工资2 500元以上、内陆省会重要城市的、专业对口的、压力较小的、而且是深造机会大的、企业效益高的工作。其中，大学生最看重的是发展机会，也就是深造机会，而工作地点和企业效益却不是大学生首先考虑的。

综合以上对大学生择业因素的联合分析，学校与有关部门应帮助学生在择业时更加理性思考，审慎选择，适当取舍，以期更好地促进大学生就业。第一，学校应教育学生树立“先就业再择业”思想，同时引导学生在就业地点选择上往更有发展潜力的二、三线城市转移，也可以加强对学生综合素质的培养，树立到边远山区或经济发展落后地区创业的信心;第二，应指导学生在重视工资待遇的基础上，适当看淡工作压力和专业对口，以获得更大的就业空间;第三，学校应该与时俱进地围绕新兴产业设置相关专业，给大学生提供丰富的、有前景的专业选择;最后，有关部门也可以积极拓宽毕业生就业渠道，给大学毕业生提供更多、更全的用人单位需求信息。

［1］汪浩.基于SD法的建筑内部公共空间环境评价:以清华大学第六教学楼B区为例［J］.华中建筑，2007，25(5):96-100.

［2］Luce R D，Tukey J.Simultaneous conjoint measurement:A new type of fundamental measurement［M］.J Math Psycho，1964，1(1):1-27.

［3］Holland J.Making vocational choices:A theory of vocational personalities and work environments［M］.New Jersey:Prentice Hall，1985.

［4］崔浩，陈晓剑.网上购物模式中各种属性的结合分析［J］.统计研究，2002(9):55-58.

［5］何晓群，陈少杰.联合分析及其在公寓调查中的应用［J］.统计研究，2000(12):10-14.

［6］孙祥，陈毅文.消费行为研究中的联合分析法［J］.心理科学进展，2005，13(1):97-106.

［7］王高.联合分析的随机系数模型估计［J］.数量经济技术经济研究，2005(7):96-107.