基于灰色BP神经网络模型的人力资源需求预测方法

王保贤 ，刘 毅

（1.济南大学 商学院，济南 250022；2.山东龙山绿色经济研究中心，济南 250002）

0 引言

人力资源是宝贵的企业资源，对其预测分析具有重要意义，国内外不少专家学者都进行了相关研究。刘善仕等利用德尔菲法对企业的人力资源预测进行了研究，阐述了人力资源预测在企业管理中的重要性；Belhaj等通过Markov模型对企业的人力资源进行预测，获得了企业未来人力资源的需求情况；郑赤建等则利用灰色预测模型对旺旺集团进行人力资源预测分析，为其人力资源规划提供了参考；胡延路等基于BP神经网络对供电企业的人力资源进行了预测，认为BP神经网络能够获得较好的预测结果。

由于影响人力资源需求的因素多且非线性相关，同时，层次分析法、多元线性回归法、德尔菲法等传统常用的分析预测方法存在着预测精度不高、主观分析偏重等缺点和不足，因此，常见的预测分析方法不能对问题的本质进行真实的反映。灰色BP神经网络是灰色预测与BP神经网络的结合，集合了二者优点，能够有效应对人力资源需求预测相关问题中复杂非线性、不确定性、多因素影响的实际情况。蒋蓉华等对企业未来3年的人力资源需求进行预测，认为BP网络模型比灰色预测模型具有更高的预测精度；白一言采用BP神经网络模型对服装企业的人力资源需求进行了实证分析，为服装行业的企业人力资源需求提供了参考。目前，将灰色BP模型运用于电力行业人力资源需求的分析较少，本文以此为切入点，将灰色BP神经网络模型运用到电力公司的人力资源需求预测分析中。

1 预测理论及模型构建

1.1 人力需求预测理论

人力资源需求预测需要遵循相关性原理及惯性原理。相关性原理基于研究对象之间的相关联系并借助其他对象来预测目标对象。如A、B、C三者之间存在明显的相关性，研究过程中能够获得A、B、C丰富的过往数据，同时还能通过合适的预测手段预测B、C的趋势值，最终实现对A进行预测；惯性原理具体是指事物A进展较慢或其发展有规律可循，并能获得一些有效的过往数据，在此前提下，即可选择合适的手段对A的趋势值进行预估。

人力资源需求预测模型以定性、定量分析为主。定性分析方法主要有:德尔菲法、主观判断法、微观集成法等。以上方法更多地依赖于专家或经验丰富的人，均存在着主观成分偏重的缺点，预测结果极易出现非容观的评判；定量分析方法主要有：生产函数法、比率法、趋势法、回归分析法等。以上定量分析基于现有数据进行预测分析，预测逻辑性严密，克服了定性方法的不足，但也存在着预测精度不高、收集数据困难等问题。因此，定量与定性方法相结合自然成为了企业人力资源预测的研究方向。

1.2 灰色BP神经网络模型

人工神经网络是一种含有若干简单非线性联结点或计算模块的非线性系统。由许多简单处理单元广泛构成的Back-PropagationNetwork复杂网络，简写为BP网络，是目前研究最为深入、应用最为广泛人工神经网络之一。BP神经网络包含输入层、输出层，克服了传统评价方法的不足，丰富了相关评价手段，评价结果能够真实地映射各分析指标间的非线性关系。

BP神经网络模型适用于非线性的样本分析，属于定量分析，灰色预测模型则属于定性分析，能够预测分析对象的未来发展趋势，对数据要求不高。灰色BP神经网络是BP神经网络与灰色预测结合而成的组合预测模型，是一种定性、定量分析方法相结合的预测方法，具有适用性强、高度拟合非线性关系的优点，和单一的BP神经网络模型、灰色预测模型相比，具有更好的预测效果，将其引入到人力资源需求研究，将有助于改进、丰富现有预测手段。

依据计算方法的不同，灰色BP模型又可划分为串联、并联两种。串联型灰色神经网络将灰色模型的预测结果作为BP神经网络的输入，然后通过神经网络的拟合求出预测值；而并联型预测模型则是同时求出BP神经网络预测模型和灰色预测模型的预测值，通过计算得到二者的加权平均值，将其作为最终的预测值。根据分析样本的特征，本文选用的灰色BP神经网络模型为串联型。

串联型灰色BP模型具体实施如下：先通过灰色预测模型获得企业人力资源预测的关键分析指标及相关预测值，然后输入其预测值对神经网络进行训练，由此通过训练好的神经网络预测模型获得最后的预测值。显然，这样预测的优点有：企业人力资源需求预测的关键指标由灰色预测模型提供，预测指标选取更科学、合理；同时，将灰色模型获得的预测值作为BP神经网络的输入值进行训练，训练效果更好，获得的预测结果更真实、准确。

本文选用的灰色预测模型为GM（1,1）模型，其预测方程式为：

其中，a、b分别表示发展系数和灰色作用量，由最小二乘法进行预估。

2 实证

2.1 企业概况

本文选取的分析对象是某地区的大型供电企业A，公司具体情况介绍如下：A公司是该地区的主要供电和管理单位，供电范围涵盖地区辖属的29个乡镇及2个林场，总共设有31个二级供电公司；公司成立已有30多年，经过长期的发展，公司的人员结构和业务范围（服务地区）及数量（主要是售电量及设备）发生了巨大的变化。到2015年，公司现有点电站中无人变电站类型已占97%以上，服务形成了以8个500千伏变电站为依托供电网络。随着国家电网市场化改革的不断深化，企业发展面临着新的挑战，管理方法需要改进、人员结构需要优化、供电设备和设施需要进一步升级改造。在此背景下，A公司提出了“积极变革，人才优先”的人力资源口号，努力打造适应新形势的人力资源管理体系，力争成为国内一流的供电公司、行业内的排头尖兵。A公司人力资源及公司业绩信息主要通过公司信息发布整理汇总得到。

图1描述了2005—2015年A公司的员工数量及售电量的变化趋势。可以看出，A企业的员工数量一直保持着增长的态势，增速相对缓慢；而A企业的售电量除了在2011年左右呈现了一定下滑趋势之外，总体上都保持了较好的增长，且在近一年总量增长的情况下依然保持了不错的增长，对2011年间的电力需求下降可能是由国内经济的疲软等因素造成。

图1 A公司2005—2015年员工数与售电量的变化趋势图

尽管公司员工人数保持了增长，但随着国家相关政策的调整以及公司内部人力资源结构的变化，导致公司人员结构出现了一定的问题，具体表现为对输电主网中的电力调度、输变电人员需求较大。对此，公司有必要提前规划人力资源部署，尽早完成人力资源需求预测，调整、优化人员结构，清理过剩人员，引入数量不足的专业人员，服务于公司的长期发展目标。

通过上述的基本情况可知，A公司发展历史的相关信息比较详实，数据丰富，且收集到的数据表现出一定的波动性，适合运用灰色BP神经网络对其人力资源需求进行分析预测。

2.2 模型分析指标及筛选

本文结合A企业的实际情况，建立了企业的分析指标体系并基于灰关联度法对所有指标进行了筛选，确定了最终的人力资源需求关键分析指标。

人力资源需求分析指标的建立应符合企业大小、企业生产经营、企业内外部人力资源环境等因素，基于以上原则，本文选取了如下分析指标作为A公司人力资源需求预测的初始分析体系，具体汇如表1所示。

表1 A公司人力资源需求预测分析体系

需求预测分析原始体系构建完成之后，需要从中筛选影响A公司人力资源需求较大的指标，即关键指标。筛选方法采用的是灰关联分析方法中的计算综合关联度，分析结果汇总如下页表2所示。

各个指标与人力资源的相关度由灰色系统建模软件计算得到，具体结果为：

表2 A企业人力资源需求关键指标分析结果汇总

关联度数值越大，说明对人力资源需求的影响也越大。对上述关联度数值大小进行排序，可以得到：a1、a2、a3、a6四个变量的数值相对较大，即输电网络长度、下辖变电站个数、用户总数量、上网售电量四个指标对人力资源需求分析有较大的影响，因此选择以上四个分析指标作为关键指标。

2.3 建立灰色BP预测模型

灰色BP神经网络模型的实施包含两个阶段：首先利用GM（1,1）模型进行分析获得关键指标预测数据；然后是利用原始数据对BP神经网络进行训练，将关键指标预测值输入BP模型，得到最终的预测值。

A公司2017—2019年人力资源需求关键分析指标预测值如表3所示。

表3 GM(1,1)模型的关键指标预测值

通过灰色预测模型获得关键分析指标的预测值后，接着对BP网络进行训练。为了获得好的训练效果，本文对相关数据都做了归一化处理，确保数据的合理性。BP神经网络的参数设定如下：训练的最大次数为45000次，训练目标为0.00001，学习率为0.01。训练输入为2005—2015年的相关数据，2016年的数据留作对比。

图2是BP神经网络训练的误差趋势情况。可以看出，BP网络训练获得的输出值与最佳输出值差别不大。为了进一步说明该趋势，本文通过线性回归的方法对BP神经网络模型的输出值和期望值进行了分析，分析结果如图3所示。得到R=0.9999，初步表明BP网络模型得到了很好的训练。

使用2014年的历史数据对模型进行仿真，得到2014年实际输出数值为6437，其计算相对误差为1.0677%，小于3%，表明训练后BP神经网络模型具有很好的预测精度。将GM(1,1)模型获得的数据作为BP神经网络的输入，预测A企业2017—2019年的人力资源需求，相关结果汇总如表4所示。

图2 BP神经网络预测误差结果

图3 BP神经网络预测结果

表4 经过训练的BP网络预测结果汇总

根据预测结果，A企业需要进一步增加员工总数，具体的配置需求还需要结合公司实际情况进行调整。

2.4 灰色预测模型与灰色BP神经网络模型的比较

为了直观地比较灰色BP神经网络预测模型及GM(1,1)模型的预测效果，本文分别进行了二者的预测分析，具体结果如表5所示。

表5 灰色预测模型与灰色BP模型的预测结果汇总

由表5中两个模型的人力资源需求预测值可以清楚地看到，灰色BP网络预测模型各个年份的预测结果比GM(1,1)模型更接近真实值，具有更好的预测精确度；同时灰色BP神经网络预测模型的平均相对误差仅为0.1481%，表明模型具有非常高的预测精度，间接说明本文中所选取的灰色BP神经网络预测模型的适用性和可靠性。

因此，在分析对象相关信息充分且表现出一定的波动时，应该优选定量、定性组合的灰色BP神经网络预测模型，而灰色预测模型则可更多地应用在信息较少、规律性强的分析案例当中。

3 结束语

本文将BP神经网络预测模型与灰色预测模型组合的预测分析方法运用到某地区大型电力公司人力资源需求预测中。模型分析过程中，通过关联度法构建了A企业的分析指标体系并基于关联度分析确定了关键分析指标，然后把GM(1,1)模型得到的预测分析数据作为BP神经网络的预测输入数据。得到的预测数据说明表明A公司的人力资源需求会持续增加，企业有必要结合自身发展实际情况，制定人力资源规划，合理引入紧缺员工、辞退冗余员工；同时，通过对比灰色BP神经网络预测模型与灰色预测模型的预测结果，发现灰色BP预测模型具有更高的预测精度，也间接说明本文中对A企业所选用组合模型的合理性。不同的人力资源预测模型有各自的适用范围，一般而言，定量、定性分析的组合预测模型有着更好的预测精度和更广的预测应用场合。