一、引 言

在社會(huì)學(xué)定量研究中經(jīng)常遇到多個(gè)自變量與因變量之間復(fù)雜關(guān)系的分析。通常使用的方法是多元回歸分析或路徑分析。但是，多元回歸分析或路徑分析模型都是基于線性關(guān)系假設(shè)建構(gòu)的。而現(xiàn)實(shí)生活中變量之間往往是非線性關(guān)系，因此線性分析難于真實(shí)反應(yīng)變量之間的關(guān)系，甚至?xí)⒕哂泻軓?qiáng)非線性關(guān)系的變量視為無(wú)關(guān)，且在多元回歸分析或路徑分析中由于多重共線性的原因難以納入更多的變量。在多變量之間因果關(guān)系的分析中如何在方法上有所突破是社會(huì)學(xué)定量研究中面臨的一項(xiàng)難題。本研究嘗試計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)分析的方法，以畢業(yè)生的成就性水平為輸出變量，以眾多影響因素為輸入變量，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型對(duì)大學(xué)畢業(yè)生的成就性水平及其影響因素的關(guān)系結(jié)構(gòu)進(jìn)行計(jì)算機(jī)模擬，希望能夠?qū)τ绊憘€(gè)人社會(huì)地位實(shí)現(xiàn)的復(fù)雜、多變量之間的關(guān)系做出更有效的解釋。

自1943年McCulloch和Pitts根據(jù)生物神經(jīng)元的一些基本生理特征提出簡(jiǎn)單的人工神經(jīng)元數(shù)學(xué)模型與構(gòu)造方法至今[1]蔣宗禮：《人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論》，〔北京〕高等教育出版社2001年版，第11頁(yè)。，神經(jīng)網(wǎng)絡(luò)分析方法得到了很大的發(fā)展。90年代以來(lái)，隨著自身局限性的問(wèn)題得到解決，神經(jīng)網(wǎng)絡(luò)研究方法在自然科學(xué)領(lǐng)域、工程技術(shù)、醫(yī)學(xué)、商業(yè)、心理學(xué)等眾多領(lǐng)域中已經(jīng)得到了廣泛的應(yīng)用，解決了很多傳統(tǒng)科學(xué)技術(shù)解決不了的難題。它為人類(lèi)認(rèn)識(shí)世界、開(kāi)拓未知領(lǐng)域、提高現(xiàn)代科學(xué)技術(shù)研究水平起到了很好的促進(jìn)作用。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，近幾年在經(jīng)濟(jì)管理領(lǐng)域有了較多的應(yīng)用。沈國(guó)琪等構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)失業(yè)狀況進(jìn)行預(yù)測(cè),并與多元回歸預(yù)測(cè)模型的預(yù)測(cè)結(jié)論進(jìn)行比較,結(jié)果發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)性能高于多元回歸預(yù)測(cè)模型[1]沈國(guó)琪、陳萬(wàn)明：《基于多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)分析的失業(yè)預(yù)測(cè)建模實(shí)證研究》，〔長(zhǎng)春〕《工業(yè)技術(shù)經(jīng)濟(jì)》2014年第2期。。金代志等構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的顧客價(jià)值識(shí)別模型并進(jìn)行了仿真實(shí)驗(yàn)，證明構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型適合對(duì)企業(yè)的顧客價(jià)值進(jìn)行識(shí)別[2]金代志、王春霞、石春生：《基于BP神經(jīng)網(wǎng)絡(luò)的顧客價(jià)值識(shí)別研究》，〔北京〕《中國(guó)軟科學(xué)》2009年第7期。。陳敏等利用重構(gòu)相空間的嵌入維數(shù)建構(gòu)了算法與設(shè)計(jì)相對(duì)簡(jiǎn)單的將混沌理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合的居民消費(fèi)價(jià)格指數(shù)預(yù)測(cè)模型[3]陳敏、曹文明、李澤軍：《基于混合神經(jīng)網(wǎng)絡(luò)和混沌理論的居民消費(fèi)價(jià)格指數(shù)預(yù)測(cè)研究》，〔武漢〕《統(tǒng)計(jì)與決策》2009年第15期。。秦迎林等針對(duì)當(dāng)前第三方物流企業(yè)資源整合風(fēng)險(xiǎn)預(yù)警定量方法的匱乏，探討了一種基于BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)模型。并通過(guò)對(duì)樣本的訓(xùn)練驗(yàn)證了所建立的BP神經(jīng)網(wǎng)絡(luò)模型在物流資源整合風(fēng)險(xiǎn)預(yù)警中具有較高的實(shí)用價(jià)值[4]秦迎林、李紅艷：《基于BP神經(jīng)網(wǎng)絡(luò)的第三方物流資源整合風(fēng)險(xiǎn)預(yù)警模型》，〔武漢〕《統(tǒng)計(jì)與決策》2009年第7期。。

神經(jīng)網(wǎng)絡(luò)分析的應(yīng)用范圍極為廣泛，如D.Lowe和M.Tipping將前向神經(jīng)網(wǎng)絡(luò)分析方法運(yùn)用于地質(zhì)學(xué)，充分顯示出了神經(jīng)網(wǎng)絡(luò)分析在處理高維數(shù)據(jù)中的優(yōu)勢(shì)[5]D.Lowe&M.Tipping 1996，“Feed-Forward Neural Networks and Topographic Mappings for Exploratory Data Analysis”,Neural Computing and Applications 4.。W.Z.Lu等人將粒子群優(yōu)化模型引入了對(duì)香港污染級(jí)別及趨勢(shì)的預(yù)測(cè)，顯示出這種新的神經(jīng)網(wǎng)絡(luò)分析模型在分析實(shí)際空氣污染問(wèn)題時(shí)的可行性和有效性[6]Weizhen Lu,H.Y.Fan&S.M.Lo 2003,“Application of Evolutionary Neural Network Method in Predicting Pollutant Levels in Downtown Area of Hong Kong”,Neurocomputing 51.。Hokky Situngkir試圖運(yùn)用神經(jīng)網(wǎng)絡(luò)方法彌合社會(huì)學(xué)的二元對(duì)立問(wèn)題[7]Hokky Situnqkir 2003,“Emerging the Emergence Sociology:The Philosophical Framework of Agent-Based Social Studies,”Journal of Social Complexity 2.。M.Girvan等人提出了一種新的計(jì)算網(wǎng)絡(luò)結(jié)構(gòu)的方法，利用邊中介性計(jì)算社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)，他們特別關(guān)注由網(wǎng)絡(luò)節(jié)點(diǎn)緊密結(jié)合成群體而群體之間松散聯(lián)系的社區(qū)。通過(guò)與傳統(tǒng)方法的比較，驗(yàn)證了這種方法構(gòu)建的計(jì)算機(jī)圖具有很強(qiáng)的敏感性和可靠性[8]Michelle Girvan&M.E.J.Newman 2002,“Community Structure in Social and Biological Networks”,Proceedings of the National Academy of Sciences of the United States of America 99.。

在我國(guó)，雖然在經(jīng)濟(jì)管理領(lǐng)域神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)取得了不少成就，但在其它人文與社會(huì)科學(xué)領(lǐng)域中，神經(jīng)網(wǎng)絡(luò)研究方法的成功應(yīng)用仍然屬空白。在社會(huì)學(xué)實(shí)證研究中，由于社會(huì)統(tǒng)計(jì)方法的限制，某些情況下變量之間的相關(guān)性并不能得到很好的解釋?zhuān)虼藢⑸窠?jīng)網(wǎng)絡(luò)研究方法應(yīng)用于社會(huì)科學(xué)實(shí)證研究，在方法的創(chuàng)新上是一個(gè)有益的嘗試。

二、數(shù)據(jù)來(lái)源與變量的選取

1.數(shù)據(jù)來(lái)源

本研究所使用的數(shù)據(jù)來(lái)源于哈爾濱工業(yè)大學(xué)2004年至2005年期間進(jìn)行的畢業(yè)生狀況調(diào)查的數(shù)據(jù)。本研究截取1977年恢復(fù)高考以后的20屆畢業(yè)生為研究對(duì)象，入學(xué)年限跨度為1977年到1996年。由于分析涉及的變量較多，而且要求分析的個(gè)案在任何變量上都不能有缺失值，因此滿(mǎn)足本研究的個(gè)案數(shù)為501個(gè)。由于1977年至1996年是我國(guó)從計(jì)劃經(jīng)濟(jì)向市場(chǎng)經(jīng)濟(jì)轉(zhuǎn)型的變遷時(shí)期，而在這一時(shí)期哈爾濱工業(yè)大學(xué)是一個(gè)在我國(guó)名列前茅的理工科大學(xué)。因此本文的研究結(jié)論只對(duì)于國(guó)家重點(diǎn)的理工科大學(xué)畢業(yè)生具有參考價(jià)值。

2.大學(xué)畢業(yè)生成就性水平指標(biāo)體系的建構(gòu)

（1）指標(biāo)的選擇及賦值。成就性水平是指?jìng)€(gè)人在社會(huì)體系中所擁有的地位、權(quán)勢(shì)、財(cái)富或聲望的總和。本文中成就性水平的指標(biāo)由下述變量構(gòu)成：社會(huì)地位指數(shù)、收入在單位中的相對(duì)水平、目前住房的使用面積、2004年總收入、崗位在單位中的重要性、獲獎(jiǎng)指數(shù)六個(gè)變量構(gòu)成。

（2）基于主成份分析的指標(biāo)合并。由于上述表示個(gè)人成就性水平的指標(biāo)不僅多，而且包括了不同測(cè)度層次的變量。本文應(yīng)用主成份分析的方法對(duì)上述指標(biāo)降維處理。主成份分析需要變量之間具有較強(qiáng)的相關(guān)關(guān)系，因此需要對(duì)變量是否適合于作主成份分析進(jìn)行檢驗(yàn)。采用KMO方法進(jìn)行檢驗(yàn)的結(jié)果是KMO值為0.724，顯著性水平為0，這說(shuō)明變量之間有較強(qiáng)相關(guān)，適合做主成份分析。

在主成份分析中按照變量的數(shù)量提取主成份的個(gè)數(shù)，即提取6個(gè)主成份。這6個(gè)主成份特征值及方差貢獻(xiàn)率的分布見(jiàn)表1。以每個(gè)主成份的方差貢獻(xiàn)率為權(quán)數(shù)，計(jì)算主成份得分的加權(quán)平均值，這樣可以將不同測(cè)量水平，不同單位的變量綜合成為一個(gè)主成份得分，該主成份得分稱(chēng)為成就性水平得分，分?jǐn)?shù)的大小可以反應(yīng)個(gè)體成就性水平的高低，其計(jì)算公式為：

表1 被因子解釋的總方差

3.影響因素的變量選擇

本研究根據(jù)經(jīng)驗(yàn)判斷從先賦因素和致獲因素兩方面共選擇了對(duì)畢業(yè)生的成就性水平可能產(chǎn)生影響的22個(gè)變量，外加時(shí)間變量。時(shí)間變量為：本科入學(xué)至調(diào)查時(shí)的年限；先賦因素為：讀本科時(shí)家庭經(jīng)濟(jì)狀況（當(dāng)時(shí)的社會(huì)平均水平）、父親的職務(wù)級(jí)別、父親的職稱(chēng)、父親的政治面貌、父親的文化程度、母親的職務(wù)級(jí)別、母親的職稱(chēng)、母親的政治面貌、母親的文化程度、上大學(xué)前主要居住地區(qū)類(lèi)型；致獲因素為：最后學(xué)歷、政治面貌、高考成績(jī)與重點(diǎn)分?jǐn)?shù)線的差、本科時(shí)的學(xué)習(xí)成績(jī)?cè)诎嗉?jí)的排名、本科時(shí)學(xué)習(xí)刻苦程度、本科時(shí)擔(dān)任學(xué)生干部的級(jí)別、本科時(shí)擔(dān)任學(xué)生干部的時(shí)間長(zhǎng)度、本科時(shí)獲得獎(jiǎng)勵(lì)的級(jí)別、本科時(shí)所在班級(jí)獲得獎(jiǎng)勵(lì)的級(jí)別、本科時(shí)參加課外活動(dòng)情況、讀本科時(shí)的人際交往情況、讀本科時(shí)的人際關(guān)系情況。由于人際交往和人際關(guān)系的測(cè)量比較困難，本研究采用“讀本科時(shí)您愿意和寢室的多少人交往”作為人際交往的指標(biāo)，“讀本科時(shí)您寢室有多少人愿意和您交往”作為人際關(guān)系的指標(biāo)。

三、BP神經(jīng)網(wǎng)絡(luò)分析的原理

1.BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型是模仿人的大腦建構(gòu)的仿真模型，由神經(jīng)元和神經(jīng)元的連接構(gòu)成神經(jīng)網(wǎng)絡(luò)。每個(gè)神經(jīng)元都可以接受來(lái)自其它神經(jīng)元的輸入，并計(jì)算出輸出，這些輸出也可以成為其它神經(jīng)元的輸入。一般具有輸入層、隱含層、輸出層三個(gè)部分,網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。輸入層的每一個(gè)神經(jīng)元都對(duì)應(yīng)著一個(gè)輸入變量xi，這些變量的值也稱(chēng)為網(wǎng)絡(luò)輸入。隱含層中可能包含一層也可能包含多層神經(jīng)元。輸出層因應(yīng)用目的不同可以有多個(gè)輸出神經(jīng)元，也可以只有一個(gè)輸出神經(jīng)元。圖中的w、v是權(quán)值。每個(gè)神經(jīng)元在接受輸入信息時(shí)將輸入數(shù)據(jù)與權(quán)值相乘以后進(jìn)行計(jì)算，然后向下一層神經(jīng)元輸出。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

本研究中，輸入層神經(jīng)元的個(gè)數(shù)與影響因素變量數(shù)相同，共為23個(gè)。輸出層神經(jīng)元個(gè)數(shù)與因變量數(shù)相同，本研究只有一個(gè)因變量，因此輸出神經(jīng)元為1個(gè)。隱含層包含的層數(shù)和神經(jīng)元個(gè)數(shù)由研究者來(lái)確定。由于隱含層層數(shù)和隱含層神經(jīng)元個(gè)數(shù)的不同將會(huì)影響到神經(jīng)網(wǎng)絡(luò)模型擬合優(yōu)度。因此為得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型必須首先確定隱含層的層數(shù)和隱含層神經(jīng)元個(gè)數(shù)。根據(jù)經(jīng)驗(yàn)，初步設(shè)定第一層隱含層的神經(jīng)元個(gè)數(shù)為輸入層神經(jīng)元個(gè)數(shù)的二分之一，第二層隱含層的神經(jīng)元個(gè)數(shù)可以為第一層的二分之一，以此類(lèi)推。每次訓(xùn)練以后軟件可以提供擬合優(yōu)度和每個(gè)神經(jīng)元對(duì)輸出結(jié)果的貢獻(xiàn)率。如果存在貢獻(xiàn)率特別小的神經(jīng)元，就減少神經(jīng)元的個(gè)數(shù)。隱含層層數(shù)和隱含層神經(jīng)元個(gè)數(shù)確定的方法是在設(shè)定同樣的迭代次數(shù)（本研究中的迭代次數(shù)為50000次）的情況下選擇擬合優(yōu)度最好的模型。

本研究采用Qnet神經(jīng)網(wǎng)絡(luò)分析軟件，經(jīng)過(guò)多次訓(xùn)練不斷調(diào)整，最終確定的神經(jīng)網(wǎng)絡(luò)模型為：輸入層包含23個(gè)神經(jīng)元，第一隱含層包含12個(gè)神經(jīng)元，第二隱含層包含6個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2.BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程

使用神經(jīng)網(wǎng)絡(luò)來(lái)分析因變量與自變量之間關(guān)系時(shí)，將因變量的觀測(cè)值視為網(wǎng)絡(luò)的期望輸出，也稱(chēng)為目標(biāo)變量。自變量的觀測(cè)值即是網(wǎng)絡(luò)輸入。神經(jīng)網(wǎng)絡(luò)模型根據(jù)網(wǎng)絡(luò)輸入計(jì)算出的結(jié)果稱(chēng)為網(wǎng)絡(luò)輸出。網(wǎng)絡(luò)輸出與期望輸出的差即為誤差。神經(jīng)網(wǎng)絡(luò)模型依據(jù)誤差反向傳播算法來(lái)消除誤差。在正向傳播階段,輸入層神經(jīng)元將輸入數(shù)據(jù)計(jì)算后傳遞給隱含層神經(jīng)元，隱含層神經(jīng)元接收到這些數(shù)據(jù)后經(jīng)過(guò)計(jì)算再傳遞給輸出層神經(jīng)元，每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元的狀態(tài)。輸出層會(huì)將網(wǎng)絡(luò)輸出結(jié)果與因變量的觀察值進(jìn)行比較。當(dāng)差值超過(guò)誤差允許范圍時(shí),進(jìn)入誤差反向傳播階段,誤差信號(hào)按原來(lái)的連接通路返回,同時(shí)對(duì)各層之間的連接權(quán)值進(jìn)行調(diào)整,直到系統(tǒng)誤差可以接受為止,此后權(quán)值不再改變。這個(gè)過(guò)程也稱(chēng)為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程。

在這里我們要特別說(shuō)明神經(jīng)網(wǎng)絡(luò)模型的擬合優(yōu)度問(wèn)題，由于初始化時(shí)網(wǎng)絡(luò)的權(quán)值是系統(tǒng)隨機(jī)賦予的。所以，即使用同一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，同一組數(shù)據(jù)訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)是不唯一的。但差異不會(huì)太大。為了更好的判定神經(jīng)網(wǎng)絡(luò)模型的擬合優(yōu)度，應(yīng)進(jìn)行多次重復(fù)訓(xùn)練。本研究進(jìn)行了33次重復(fù)訓(xùn)練，擬合優(yōu)度最好時(shí)為0.82，最差的也達(dá)到0.71。33次訓(xùn)練的平均擬合優(yōu)度為0.76。

四、神經(jīng)網(wǎng)絡(luò)分析結(jié)果

神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)束以后，系統(tǒng)會(huì)給出每個(gè)輸入神經(jīng)元對(duì)輸出變量的貢獻(xiàn)率。系統(tǒng)將全部輸入變量對(duì)輸出變量的貢獻(xiàn)率視為100%。通過(guò)比較每個(gè)輸入神經(jīng)元對(duì)輸出的貢獻(xiàn)率來(lái)確定輸入變量對(duì)輸出變量影響作用的大小。本研究中有23個(gè)輸入變量，平均每個(gè)輸入變量對(duì)輸出變量的貢獻(xiàn)率為4.35%。如果某個(gè)輸入變量的貢獻(xiàn)率大于該值就可以認(rèn)為該輸入變量對(duì)輸出變量有較大影響。

她跟他們混了這些時(shí)，也知道總是副官付帳，特權(quán)階級(jí)從來(lái)不自己口袋里掏錢(qián)的。今天出來(lái)當(dāng)然沒(méi)帶副官，為了保密。

由于輸入神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)率受到每次訓(xùn)練時(shí)輸入神經(jīng)元權(quán)值的初始賦值影響，每次訓(xùn)練得到的貢獻(xiàn)率并不相同。為了更好的判定每個(gè)影響因素變量對(duì)成就性水平影響程度的大小，用每個(gè)輸入神經(jīng)元在33次訓(xùn)練中的平均貢獻(xiàn)率作為其對(duì)輸出變量影響的指標(biāo)。為清晰展現(xiàn)不同影響因素對(duì)大學(xué)畢業(yè)生成就性水平的作用，利用23個(gè)影響因變量的平均貢獻(xiàn)率繪制了圖3。

從圖3中可以看出，引入模型中的影響因素作用可以分為四個(gè)層次。處于第1個(gè)層次的是前三個(gè)變量，它們對(duì)輸出變量的貢獻(xiàn)率明顯大于其它變量，這三個(gè)變量的作用依次遞減，差異也很大。處于第2個(gè)層次的變量是第4到第10的變量，它們對(duì)輸出變量的貢獻(xiàn)率雖然依次遞減但相互差異不大。處于第3個(gè)層次的變量是第11到第19的變量，這些變量的作用幾乎處在一個(gè)水平線上。處在第4個(gè)層次上的變量是第20到第23的變量，它們對(duì)成就性水平的影響很微弱。于是我們得到如下結(jié)果：

1.家庭經(jīng)濟(jì)狀況對(duì)大學(xué)畢業(yè)生成就性水平具有重要影響

神經(jīng)網(wǎng)絡(luò)分析結(jié)果表明，在所有的影響因素變量中“讀本科時(shí)家庭經(jīng)濟(jì)狀況”高高的居于第一位。它對(duì)輸出變量的貢獻(xiàn)率為9.11%，大約是第二個(gè)層次變量的2倍。這與我們一般的理解與感受是相悖的結(jié)論，也是一個(gè)令人沮喪的結(jié)論。一般的認(rèn)為，經(jīng)過(guò)十幾年的寒窗苦讀考入了重點(diǎn)大學(xué)的學(xué)生們有能力把握自己的前途和命運(yùn)，家庭的影響應(yīng)該漸漸地淡去。可分析結(jié)果卻告訴我們家庭經(jīng)濟(jì)狀況卻如影隨形地伴隨著他們，甚至影響著大學(xué)生畢業(yè)十幾年、幾十年后的成就性水平。

那么，“讀本科時(shí)家庭經(jīng)濟(jì)狀況”是如何影響成就性水平的呢？采用方差分析的方法分析家庭經(jīng)濟(jì)狀況與畢業(yè)生成就水平的關(guān)系，結(jié)果如圖4所示。從圖中可以看出“讀本科時(shí)家庭經(jīng)濟(jì)狀況”與成就性水平的關(guān)系并非是線性的。多重比較的方差分析表明，家庭比較富裕的畢業(yè)生成就性水平與其它四個(gè)類(lèi)別的畢業(yè)生有顯著差異。顯著性水平為0.01。由于填答“非常富?！钡闹挥袃蓚€(gè)個(gè)案，該類(lèi)別的情況不具有推論價(jià)值?？偟目磥?lái)，比較富裕家庭的畢業(yè)生取得了相對(duì)比較高的成就性水平。令人比較欣慰的是，家庭經(jīng)濟(jì)狀況一般、比較貧困和非常貧困的畢業(yè)生成就性水平?jīng)]有顯著差異。尤其是家庭非常貧困的畢業(yè)生成就性水平還略高于平均值。說(shuō)明貧困并沒(méi)有成為畢業(yè)生獲取成就的抑制因素。

圖3 成就性水平影響因素變量的貢獻(xiàn)率

圖4 家庭經(jīng)濟(jì)狀況與成就性水平的相關(guān)圖

2.入職的前十五年對(duì)畢業(yè)生成就性水平具有決定性的作用

對(duì)成就性水平影響作用排在第二位的變量是“本科入學(xué)年限”。這個(gè)變量表明的是工作時(shí)間對(duì)成就性水平的累積作用。將入學(xué)年減掉4年即可換算成工作年限?？紤]到工作年限對(duì)成就性水平的作用需要一定的累積時(shí)間，本文中將1977、1978、1979年入學(xué)的畢業(yè)生工作年限作為一個(gè)時(shí)間段，其后每五年為一個(gè)時(shí)間段。并將工作時(shí)間段與畢業(yè)生的成就性水平進(jìn)行方差分析，結(jié)果圖5所示。方差分析的F值為16.9，顯著性水平為0.000.說(shuō)明不同工作年限的畢業(yè)生成就性水平有顯著差異。

圖5 工作年限與成就性水平的相關(guān)圖

總的看來(lái)是工作時(shí)間越長(zhǎng)，對(duì)成就性水平的積累作用越強(qiáng)。但其成就性水平也不是隨著工作年限的增加而線性增長(zhǎng)。畢業(yè)后的前15年成就性水平增長(zhǎng)較快，其后雖有增加，但增加的已相對(duì)較緩慢。也就是說(shuō)，大學(xué)畢業(yè)生入職的前15年對(duì)于其一生所能實(shí)現(xiàn)的最高的社會(huì)地位具有決定性的作用。

3.母親對(duì)子女成才的作用遠(yuǎn)遠(yuǎn)大于父親

由于布勞與鄧肯的模型中只納入了父親的變量，而沒(méi)有納入母親的變量。因此，我國(guó)學(xué)者的研究也大都以父親代表家庭的社會(huì)地位來(lái)研究其對(duì)子代社會(huì)地位獲得的影響。為此，我們特別關(guān)注了母親對(duì)子女社會(huì)地位獲得的影響問(wèn)題[1]郭志堅(jiān)：《社會(huì)出身與地位獲得：代際流動(dòng)研究新進(jìn)展》，〔廣州〕《青年探索》2005年第6期。。本研究利用神經(jīng)網(wǎng)絡(luò)分析的優(yōu)勢(shì)，將父親與母親的變量同時(shí)納入模型來(lái)分析家庭社會(huì)地位對(duì)子代的影響，同時(shí)比較父親和母親各自作用的大小。研究中對(duì)于畢業(yè)生的父母都選擇了文化程度、職務(wù)級(jí)別、職稱(chēng)和政治面貌四個(gè)變量進(jìn)入模型。分析結(jié)果發(fā)現(xiàn)父親、母親的四個(gè)對(duì)應(yīng)變量，母親都排在父親的前面。四個(gè)變量對(duì)成就性水平的總貢獻(xiàn)率母親也大大的超過(guò)父親。如表2所示。這意味著母親對(duì)子女成才的影響明顯大于父親。

表2 父親、母親變量對(duì)成就性水平貢獻(xiàn)率的比較

4.先賦性因素對(duì)畢業(yè)生成就性水平的影響大于致獲性因素

表3 先賦因素與致獲因素對(duì)成就性水平影響作用的比較

5.學(xué)業(yè)性因素對(duì)畢業(yè)生的成就性水平的影響大于非學(xué)業(yè)性因素

神經(jīng)網(wǎng)絡(luò)分析結(jié)果表明，畢業(yè)生的“高考成績(jī)與重點(diǎn)分?jǐn)?shù)線之差”、“學(xué)習(xí)成績(jī)?cè)诎嗉?jí)的名次”和“學(xué)習(xí)刻苦程度”這三個(gè)學(xué)業(yè)性因素的變量對(duì)畢業(yè)生成就性水平的貢獻(xiàn)率都處在影響較大的第二個(gè)層次上。而“擔(dān)任學(xué)生干部的時(shí)間”、“參加課外活動(dòng)的情況”、“人際關(guān)系情況”、“擔(dān)任學(xué)生干部的級(jí)別”等非學(xué)業(yè)性因素的貢獻(xiàn)率都處在第三個(gè)層次上。這說(shuō)明，學(xué)生在讀本科期間的學(xué)業(yè)性因素對(duì)未來(lái)成就性水平的影響要大于非學(xué)業(yè)性因素。

6.優(yōu)秀班級(jí)的學(xué)生取得了較好的成就性水平

在神經(jīng)網(wǎng)絡(luò)分析模型中，“班級(jí)獲獎(jiǎng)情況”是排在第六位的影響因素。其對(duì)畢業(yè)生成就性水平的貢獻(xiàn)率為4.75%，僅次于學(xué)習(xí)成績(jī)。沒(méi)有獲過(guò)獎(jiǎng)的班級(jí)一般為普通的班級(jí)，而獲得省部級(jí)及以上獎(jiǎng)勵(lì)的班級(jí)往往是優(yōu)秀班級(jí)。統(tǒng)計(jì)分析表明，普通班級(jí)和較好的班級(jí)的學(xué)生成就性水平?jīng)]有顯著差異，而優(yōu)秀班級(jí)的學(xué)生畢業(yè)后的成就性水平明顯高于普通班級(jí)的學(xué)生?？梢?jiàn)班風(fēng)對(duì)學(xué)生的影響還是很大的。這個(gè)結(jié)論也提示了大學(xué)管理要重視班風(fēng)的建設(shè)。

7.大學(xué)畢業(yè)生社會(huì)地位獲取的過(guò)程中出現(xiàn)了去政治化傾向

本研究中將父母及畢業(yè)生的政治面貌作為影響因素引入模型，但這三個(gè)變量對(duì)成就性水平的貢獻(xiàn)率都很低。父母的政治面貌排在倒數(shù)第一、第二，畢業(yè)生本人的政治面貌排在倒數(shù)第四。它們對(duì)畢業(yè)生成就性水平的影響都很微弱。這個(gè)結(jié)果有些出乎意料。被調(diào)查的學(xué)生都畢業(yè)在80或90年代，當(dāng)時(shí)的政治身份在就業(yè)、提升等方面都起著重要的作用。因此，筆者假設(shè)這幾個(gè)變量都應(yīng)該對(duì)畢業(yè)生成就性水平產(chǎn)生較大影響。但分析結(jié)果表明政治身份對(duì)個(gè)人成才的影響已經(jīng)很小。改革開(kāi)放的社會(huì)環(huán)境淡化了政治身份的作用。大學(xué)畢業(yè)生獲取社會(huì)地位的過(guò)程中出現(xiàn)了去政治化傾向。

五、神經(jīng)網(wǎng)絡(luò)分析與相關(guān)分析的比較

為分析神經(jīng)網(wǎng)絡(luò)分析方法的優(yōu)勢(shì)與不足，將神經(jīng)網(wǎng)絡(luò)分析結(jié)果與相關(guān)分析方法進(jìn)行比較。表4的第4列給出了成就性水平與影響因素的相關(guān)系數(shù)。由于成就性水平是一個(gè)尺度變量，如果影響因素變量也是尺度變量，就采用線性相關(guān)分析，如“本科入學(xué)年限”、“高考成績(jī)與重點(diǎn)分?jǐn)?shù)線之差”兩個(gè)變量與成就性水平的相關(guān)分析的結(jié)果是給出皮爾遜相關(guān)系數(shù)。其它的影響因素變量都是有序類(lèi)別變量，它們與成就性水平的相關(guān)分析的結(jié)果是給出相關(guān)比率，即Eta值。從表4中可以看出，神經(jīng)網(wǎng)絡(luò)分析的結(jié)果與一般相關(guān)分析的結(jié)果不太一致。比如表中排在第三位到第十位的變量都是在神經(jīng)網(wǎng)絡(luò)分析中對(duì)“畢業(yè)生的成就性水平”影響較大的變量，但相關(guān)分析的結(jié)果是他們與因變量不存在顯著相關(guān)。相關(guān)分析中與“成就性水平”達(dá)到0.01顯著性水平的幾個(gè)變量，如“擔(dān)任學(xué)生干部的時(shí)間”、“父親的職務(wù)級(jí)別”、“ 參加課外活動(dòng)的情況”、“ 最后學(xué)歷”在神經(jīng)網(wǎng)絡(luò)分析中對(duì)因變量的貢獻(xiàn)并不大。原因是神經(jīng)網(wǎng)絡(luò)分析注重的是神經(jīng)網(wǎng)絡(luò)輸出與期望輸出達(dá)到最終的擬合優(yōu)度時(shí)，輸入變量的貢獻(xiàn)率。而線性相關(guān)分析表明的是當(dāng)影響因素變量發(fā)生變化時(shí)因變量是否也發(fā)生變化。如果兩個(gè)變量是非線性的關(guān)系，線性相關(guān)會(huì)存在過(guò)度簡(jiǎn)化的問(wèn)題，無(wú)法體現(xiàn)出兩個(gè)變量的復(fù)雜關(guān)系，甚至?xí)演^強(qiáng)的非線性相關(guān)視為不相關(guān)。在社會(huì)學(xué)研究中變量之間存在線性相關(guān)的情況是比較少的，線性相關(guān)分析不能很好地描述兩個(gè)變量之間的復(fù)雜的相關(guān)關(guān)系。相關(guān)比率Eta表現(xiàn)的是當(dāng)影響因素取不同值時(shí)成就性水平的平均值是否有差異。由于比較的僅僅是平均值，仍然存在過(guò)度簡(jiǎn)化的問(wèn)題。對(duì)于不同的個(gè)案，影響因素變量取相同值時(shí)對(duì)成就性水平的影響可能是不同的。如家庭比較富?？赡芙o子女提供了更好的向上流動(dòng)的條件而使子女獲得了較好的成就性水平，也可能使子女坐享其成缺乏上進(jìn)心成為紈绔子弟。不論是線性相關(guān)分析還是相關(guān)比率分析都不能表現(xiàn)這種復(fù)雜的影響作用。相比之下，神經(jīng)網(wǎng)絡(luò)分析則表現(xiàn)出了明顯的優(yōu)越性。這就是神經(jīng)網(wǎng)絡(luò)分析與相關(guān)分析結(jié)果不一致的原因。

表4 神經(jīng)網(wǎng)絡(luò)分析與相關(guān)分析比較

六、神經(jīng)網(wǎng)絡(luò)分析與多元回歸分析的比較

就本研究的變量來(lái)看，用多元回歸分析也是比較適合的方法。對(duì)變量進(jìn)行標(biāo)準(zhǔn)化處理以后，自變量均已轉(zhuǎn)化為尺度變量。為比較神經(jīng)網(wǎng)絡(luò)分析與多元回歸分析的差異，以畢業(yè)生的成就性水平為因變量，以23個(gè)影響因素為自變量，采用逐步剔出的方法引入回歸模型，進(jìn)行多元回歸分析結(jié)果如下：

從表 5、表 6、表 7中可以看出，分析過(guò)程中剔除了17個(gè)對(duì)因變量影響不顯著的自變量，最后的模型中只保留了6個(gè)自變量。這6個(gè)自變量中還有1個(gè)達(dá)不到0.05的顯著性水平。多元線性回歸分析要求自變量與因變量之間是線性相關(guān)，同樣存在過(guò)度簡(jiǎn)化的問(wèn)題。對(duì)于自變量與因變量之間存在的較強(qiáng)的非線性關(guān)系，多元線性回歸分析無(wú)能為力。如果因變量的影響因素眾多，而且這些影響因素與因變量之間的關(guān)系是否線性很難確定，采用多元線性回歸的方法難于準(zhǔn)確描述變量之間的關(guān)系。在這種情況下神經(jīng)網(wǎng)絡(luò)分析方法則顯現(xiàn)出更大的優(yōu)勢(shì)。

表5 模型概要

表6 方差分析

表7 回歸系數(shù)

七、神經(jīng)網(wǎng)絡(luò)分析方法的優(yōu)勢(shì)與不足

多變量之間的因果關(guān)系的分析是一個(gè)復(fù)雜的過(guò)程，用神經(jīng)網(wǎng)絡(luò)分析方法來(lái)分析社會(huì)現(xiàn)象的復(fù)雜關(guān)系既有明顯的優(yōu)勢(shì)，也存在一定的缺陷。神經(jīng)網(wǎng)絡(luò)分析方法的優(yōu)勢(shì)在于：第一，如果樣本足夠大，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置合理，它能很好地模擬出變量之間的作用機(jī)制。盡管這種機(jī)制是以黑箱的形式存在的，但是網(wǎng)絡(luò)輸出與期望輸出的高擬合優(yōu)度可以說(shuō)明網(wǎng)絡(luò)運(yùn)行對(duì)現(xiàn)實(shí)的變量關(guān)系具有很高的仿真性。這樣，如果樣本量足夠大，數(shù)據(jù)具有足夠高的信度，就有可能對(duì)社會(huì)現(xiàn)象給出精度較高的預(yù)測(cè)。第二，神經(jīng)網(wǎng)絡(luò)分析軟件可以輸出神經(jīng)網(wǎng)絡(luò)的擬合情況、誤差情況、各層和各神經(jīng)元的有關(guān)信息，為分析自變量與因變量的關(guān)系提供了豐富的數(shù)據(jù)。第三，統(tǒng)計(jì)學(xué)的分析方法大都是以線性分析為基礎(chǔ)，而現(xiàn)實(shí)中變量之間的關(guān)系為線性的很少，這就必然存在的對(duì)變量關(guān)系的簡(jiǎn)化和信息的丟失。而神經(jīng)網(wǎng)絡(luò)分析則不存在這樣的簡(jiǎn)化，對(duì)于變量間非線性的關(guān)系它也能做到很好的模擬，它所反映出的變量之間的關(guān)系能夠更接近于現(xiàn)實(shí)。第四，神經(jīng)網(wǎng)絡(luò)對(duì)變量取值的要求不高，也不要求變量必須服從一定的分布或具有等方差性，只要是有序類(lèi)別變量并可以被標(biāo)準(zhǔn)化，即可以應(yīng)用。

對(duì)神經(jīng)網(wǎng)絡(luò)分析方法優(yōu)勢(shì)的肯定并不意味著它毫無(wú)缺陷。首先，由于它是模擬人腦的工作機(jī)制以黑箱的形式完成了運(yùn)算過(guò)程，不能將變量之間的復(fù)雜關(guān)系直接展現(xiàn)出來(lái)。第二，通過(guò)輸入層神經(jīng)元的貢獻(xiàn)率來(lái)分析輸入變量與輸出變量之間的關(guān)系時(shí)，不能明確輸入變量的作用方向，甚至無(wú)法知道輸入變量對(duì)輸出變量的影響是負(fù)的還是正的。如果要想明確每個(gè)變量的作用機(jī)制還需進(jìn)行更復(fù)雜的MIV分析。第三，神經(jīng)網(wǎng)絡(luò)分析的初始化是對(duì)各個(gè)神經(jīng)元的權(quán)值在[-1,1]之間隨機(jī)賦值。這就使得在條件完全相同的情況下訓(xùn)練出來(lái)的網(wǎng)絡(luò)是不唯一的。本研究是用33次訓(xùn)練的平均值來(lái)進(jìn)行分析的。相比之下，統(tǒng)計(jì)分析只要使用的是同一組數(shù)據(jù)建構(gòu)出來(lái)的模型是唯一的。另外，對(duì)于無(wú)序類(lèi)別變量目前還無(wú)法引入到神經(jīng)網(wǎng)絡(luò)分析中，這是一個(gè)不小的遺憾。對(duì)于神經(jīng)網(wǎng)絡(luò)分析方法的缺陷與不足還有待于研究者在今后的應(yīng)用中去不斷的探索和完善。