基于分析模型的人才需求分析与预测

黎佳佳　苏明雪

摘 要：人才是城市发展的关键，保障城市有足够的人才资源是促进该城市进步的重要举措。同时，就业问题也是当今社会专注的焦点问题之一。文章基于大量网络招聘数据库以及各人才市场的数据，对A城市的人才需求现状和未来人才需求分别建立相应的数学模型进行分析，为城市的人才发展提供建议。

关键词：人才需求；需求预测；培养规划；城市发展

目前，就业市场的供需关系不稳定，人才就业选择的多样化等，是现在就业市场的主要特点。为了实现人才与就业市场的相互满足，需充分了解就业市场的发展情况，为城市的人才发展战略和人才的就业选择提供更好的建议。

1 A城市人才需求分析

1.1 A城市人才需求现状

根据历史和文献数据[1-3]，本文主要从“工作需求”“期望的职业”和“所需的教育背景”3个影响A市人才需求的因素进行分析，从人才需求总量、不同职业的人才需求量以及不同职业不同学历人才的需求3个方面，进行了研究。

1.1.1 A市人才需求量现况

图1为2015年9月—2018年8月36个月该人才市场需求总量折线图。其中横坐标表示时间，以2015年9月为第一个月开始计算，每一单位为一个月。纵坐标为数量，每一单位为两千。由图可以直观地看出人才需求总量与时间的变化关系。初步推测，人才需求总量与时间成周期性关系，且周期长度大约为12个月，每一周期内都存在3个峰值，即大约在第5+12×r（r=0，1，2）月时是最低峰值，在第6+12×r（r=0，1，2）是出现最高峰值，在1+12×r（r=0，1，2）出现第二高峰值。由图可见，第一高峰值逐年走低，最低峰值逐年走高，折线的极差有逐渐缩小的趋势。

图2为不同职业在2015年9月—2018年8月的时间内，不同职业的需求总数。根据图中数据分析可得，每年的2—6月份各职业需求量以及所有职业的需求总量达到高峰，每年9、10月各职业需求量以及所有职业的需求总量达到第二高峰，每年1月左右会迎来人才需求的低谷。其中销售、銷售管理、行政管理、市场营销 这4项职业的需求总量的先后位于前4位，且这4项之和超过所有职业需求总量的40%。

1.2 基于主成分分析法的“职业-学历”需求打分模型

1.2.1 主成分分析法

主成分分析（Principal Component Analysis，PCA）是一种统计方法，它使用正交变换将一组可能相关变量（每个变量具有不同的数值）的观察结果转换为一组称为主成分的线性不相关的变量。

1.2.2 主成分分析法计算步骤

为方便，假定原始数据标准化后仍用X表示，则经标准化处理后的数据的相关系数为：

第三步，用雅克比方法求相关系数矩阵R的特征值（λ1， λ2···λp）和相应的特征向量。

第四步，选择重要的主成分，并写出主成分表达式。

第五步，计算主成分得分。

根据标准化的原始数据，按照各个样品，分别代入主成分表达式，就可以得到各主成分下的各个样品的新数据，即为主成分得分，具体形式可如下。

第六步，依据主成分得分的数据，则可以进行进一步的统计分析。其中，常见的应用有主成份回归，变量子集合的选择，综合评价等。

1.2.3 主成分分析法的计算结果

本文中选取了9个学历作为变量，分别为：初中、高中、中专、专科、学士、硕士、博士、工商管理硕士、不限学历。利用主成分分析法对这9个指标进行删减。

按照上述方法进行计算，利用因子得分函数和解释的总方差表中的旋转平方和载入数据，以各因子的方差贡献率占两个因子总方差贡献率的比重作为权重进行加权汇总，计算得到各职业对学历的需求评分函数：

根据公式，计算得到各年度的职业对学历的需求分值，提取各年度前10名汇总得4年中职业对学历需求的前5名（见表1）。

根据统计结果可知，销售类、行政类和技术类工作对学历需求比较多样。

2 基于时间序列分析的人才需求预测

根据所得数据，本文从职位数量、人才需求总数、不同学历需求3个方面对A城市未来3年的人才需求做出预测。

2.1 预测A城市的未来3年职位数量、人才需求总数

通过整合得到2016年1月—2018年8月的数据，利用SPSS的时间序列对数据进行预测分析，得到2018年9月—2019年12月的预测数据，并由上述数据通过SPSS的时间序列分析进行预测分析，得到2020年1月—2021年12月的预测数据（见图3）。

2.2 预测A城市的未来3年的学历的需求

2.2.1 49种职业数据汇总

通过数据汇总，得到49种职业在不同时期对不同学历岗位数需求占比数据。

2.2.2 数据预测

根据2015年9月—2018年8月的数据，利用SPSS的时间序列分析进行预测分析，得到2018年9月—2019年12月的预测数据。根据2015年9月—2018年8月的历史数据，结合2018年9月—2019年12月的预测数据，通过SPSS的时间序列分析进行预测分析，得到2020年1月—2021年12月的预测数据，如图4所示。

根据预测的2015年9月—2021年12月数据与预测数据与 2015年9月—2021年12月人才学历需求原始数据和预测数据计算得出图5，即不同学历随时间变化人数需求图。

根据图5分析可得，预测未来3年各学历也都随时间都呈季节性变化。其中，学历为Junior College的实际需求岗位数最多，且其季节性波动也是最大的。实际需求岗位数第三多的学历是Senior middle school，其他学历需求人数较少且波动也较小。MBA需求几乎都是0。

3 大学生毕业去向的量化分析

当今大学生就业选择多样化，明确影响大学生毕业后就业选择的因素，并用层次分析法来对影响大学生在毕业后将去往何方进行评价和量化。

3.1 层次分析法

层次分析法是指将一个复杂的多目标决策作为一个系统，将目标分解为多个目标或准则，进而分解为多指标的若干层次，通过定性指标模糊量化方法算出层次单排序和总排序，以作为目标、多方案优化决策的系统方法。

3.2 层次分析法计算步骤

第一步，选择建立层次结构模型。

第二步，制定定量标度，用来确定每个比較因素的相对重要程度。

第三步，根据制定的指标体系表，将大学生就业选择的影响因素分为两级，并根据在本级中的影响因素对于上一级因素的影响程度进行两两比较，最后构建属于本级的矩阵表。

第四步，建立判别矩阵，对所建立的判断矩阵A计算满足AW=λmaxW的最大特征根与特征向量。

第五步，计算一致性指标CI以检验判断矩阵的一致性；

CI=（λmax）/（n-1） （8）

通过计算一致性比例CR进行检验，将CI与平均随机一致性指标RI进行比较。

RI为平均随机一致性指标，各阶RI值如表2所示。

3.3 模型求解

在层次分析法中，权重越大的因素对结果的影响越大，由上述步骤得出A城市中，排名前十的就业影响因素为：城市人均GDP、家庭文化、地理位置/交通建设、气候环境、学习成绩/掌握的专业技能、就业保障政策、文化发展水平。由此分析可得以下建议。

（1）城市可以通过其中提升城市人均GDP、交通建设、就业保障政策等提升对人才的吸引力。

（2）有意向考录公务的群体，可以提升相关就业的保障措施，或通过组织专业技能培训使其获得稳定的就业岗位。

（3）考取研究生以及其他通过各种方式深造的群体，因其群体特征可知凭借较高的学历水平与教育背景，相对较容易找到理想的工作或职业，此时城市需加强交通或基础设施建设、有针对性地提升和发展文化水平，这有利于提升高学历人才在城市生活的舒适度，进而吸引其前来就业。

（4）在吸引创业人才方面，城市可主要关注本地高等院校的毕业生，加强高校创业孵化基地建设，增加人文关怀与政策扶持，鼓励他们在当地创业，并以此创造就业岗位，拉动就业率。

[参考文献]

[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]国家质检总局.国家经济行业分类[EB/OL].（2017-06-30）[2019-02-22].http：//www.stats.gov.cn/tjsj/tjbz/hyflbz/201710/P020181022345132273248.pdf.