摘要：對企業(yè)的人力資源需求預(yù)測方法進(jìn)行梳理和分析，提出人力資源需求預(yù)測作為數(shù)據(jù)挖掘問題的研究思路。通過對典型數(shù)據(jù)挖掘工具支持向量機(jī)的理論分析，設(shè)計了一種針對人力資源需求預(yù)測的改進(jìn)的支持向量回歸算法，并通過實例證明了本文提出的方法對企業(yè)人力資源需求預(yù)測具有良好的實際參考價值。

一、問題的提出

人力資源是企業(yè)可持續(xù)發(fā)展的第一資源?，F(xiàn)代人力資本理論認(rèn)為，人力資本是企業(yè)的最核心資產(chǎn)，也是為企業(yè)贏得持久競爭優(yōu)勢的最后一項資產(chǎn)。同時人力資源成本的快速提高，使企業(yè)不得不進(jìn)行更加精細(xì)化的人力資源管理規(guī)劃，以有效控制人工成本，實現(xiàn)企業(yè)發(fā)展戰(zhàn)略。

人力資源需求預(yù)測是人力資源規(guī)劃的重要工作內(nèi)容。其一般根據(jù)企業(yè)內(nèi)部運(yùn)行情況及外部環(huán)境分析，預(yù)測企業(yè)未來人力資源運(yùn)行趨勢，以便提前制定相關(guān)策略，最終支撐、服務(wù)企業(yè)發(fā)展戰(zhàn)略。大型企業(yè)是國民經(jīng)濟(jì)的根本，是改革創(chuàng)新的主力，在民生、國防等領(lǐng)域發(fā)揮著中流砥柱的作用。大型企業(yè)不僅規(guī)模大、部門齊全，同時組織架構(gòu)復(fù)雜、崗位性質(zhì)迥異，其人力資源需求預(yù)測需要考慮多方面因素。本文在梳理企業(yè)人力資源需求預(yù)測方法的基礎(chǔ)上，引入數(shù)據(jù)挖掘的相關(guān)概念，提出了一種基于數(shù)據(jù)挖掘的多因素人力資源需求預(yù)測方法，以期為相關(guān)企業(yè)的人力資源需求規(guī)劃提供參考。

二、人力資源需求預(yù)測一般方法

目前，國內(nèi)外人力資源需求預(yù)測方法一般可分為定性的宏觀預(yù)測和定量的微觀預(yù)測兩大類。常用的宏觀預(yù)測方法包德爾菲法、經(jīng)驗預(yù)測法、經(jīng)理判斷法等。該類方法一般基于專家（人）的經(jīng)驗判斷，非常靈活，能夠適應(yīng)多變的內(nèi)、外部環(huán)境，但同時受人的主觀因素影響較大，因此常用于對趨勢的判斷。常用的微觀預(yù)測方法主要包括趨勢分析法、比例分析法等，該類方法使用數(shù)據(jù)分析的理念，建立在企業(yè)的客觀指標(biāo)下，能夠給出明確的預(yù)測結(jié)果，易于解讀、理解，在實際應(yīng)用中更具有操作性。但目前實際應(yīng)用微觀預(yù)測法時，預(yù)測模型的選定只能依據(jù)預(yù)測者的經(jīng)驗，并往往需要對影響因素和歷史情況進(jìn)行簡化以保證可接受的計算復(fù)雜度，非常容易將關(guān)鍵因素錯誤的排除，導(dǎo)致預(yù)測失敗。

三、基于數(shù)據(jù)挖掘的多因素人力資源需求預(yù)測方法

1.數(shù)據(jù)挖掘原理

數(shù)據(jù)挖掘是通過各種方法（一般為數(shù)學(xué)算法）從數(shù)據(jù)中探索隱藏的規(guī)律性信息的過程。從本質(zhì)上講，企業(yè)人力資源需求預(yù)測，可以看作是通過分析企業(yè)內(nèi)部情況及外部環(huán)境等因素，發(fā)現(xiàn)企業(yè)人力資源需求與影響因素間的內(nèi)在規(guī)律的過程，可作為典型的數(shù)據(jù)挖掘問題處理。

機(jī)器學(xué)習(xí)是在20世界80年代興起的用于數(shù)據(jù)挖掘的學(xué)科。它一般利用統(tǒng)計學(xué)方法來探索輸入數(shù)據(jù)中存在的規(guī)律性，并可根據(jù)訓(xùn)練模型對新的輸入進(jìn)行結(jié)果預(yù)測。支持向量機(jī)（SVM）作為一種優(yōu)秀的非線性機(jī)器學(xué)習(xí)工具，由Cortes&Vapnik;在1995年首先提出。它根據(jù)Vanik和Chervonenkis提出的統(tǒng)計學(xué)習(xí)理論，通過最小化結(jié)構(gòu)風(fēng)險，獲得對歷史數(shù)據(jù)實現(xiàn)最優(yōu)分類的超平面，具有理論完備、使用方便的特點(diǎn)，是機(jī)器學(xué)習(xí)研究的一項重大成果和研究熱點(diǎn)，目前仍在是機(jī)器學(xué)習(xí)領(lǐng)域的核心算法之一。

雖然支持向量機(jī)最初是為解決分類問題提出的，但其核心的核函數(shù)與支持向量概念，使其很容易推廣到回歸分析，即支持向量回歸機(jī)（Support Vector Regression，SVR）。SVR通過核函數(shù)，將輸入向量映射的一個高維特征空間中，尋求使所有樣本點(diǎn)離超平面的總偏差最小的超平面，從而取得在原空間非線性回歸的效果。同時，SVR仍保持著小樣本數(shù)據(jù)挖掘的出眾性能，非常適合用于企業(yè)人力資源需求預(yù)測。

一般的，定義回歸函數(shù)為：

（1）

SVR將輸入量通過核函數(shù)映射到高維特征空間，并引入松弛變量 和懲罰系數(shù)C，將優(yōu)化目標(biāo)函數(shù)記作：

（2）

通過構(gòu)建拉格朗日函數(shù)計算極值點(diǎn)，最終獲得最優(yōu)的回歸超平面。

2.變權(quán)重支持向量回歸機(jī)

人力資源需求預(yù)測問題輸入的歷史數(shù)據(jù)從本質(zhì)上是時間序列數(shù)據(jù)。時間序列的重要特點(diǎn)是歷史數(shù)據(jù)的重要性隨著時間的回溯而下降，即在回歸過程中近期數(shù)據(jù)和早期數(shù)據(jù)的回歸誤差要求是不同的。而傳統(tǒng)SVR模型回歸過程中松弛變量 的權(quán)重是相同的，將導(dǎo)致回歸超平面會偏向大方差樣本，而非近期樣本，容易造成回歸失真。

為了解決這一問題，引入權(quán)重系數(shù)向量 來實現(xiàn)對每個樣本采用不同的懲罰力度，以區(qū)別樣本序列中近期數(shù)據(jù)和早期數(shù)據(jù)的重要程度，調(diào)整各樣本在回歸中的作用，即變權(quán)重支持向量回歸機(jī)。調(diào)整后的模型形式為：

（3）

權(quán)重系數(shù)可采用指數(shù)化的權(quán)重系數(shù)，即

（4）

其中，N為歷史數(shù)據(jù)合計年份數(shù)。

四、某大型企業(yè)人力資源需求預(yù)測實例

以某汽車行業(yè)企業(yè)為實例，對其人力資源需求進(jìn)行分析，以驗證本方法對企業(yè)人力資源需求預(yù)測的效果。通過相關(guān)性分析，我們對影響該組織人力資源需求的因素進(jìn)行篩選。選擇銷量、在研型號、產(chǎn)值、利潤、采購經(jīng)理指數(shù)五大因素作為影響其人力資源需求的關(guān)鍵因素，具體數(shù)據(jù)如表1所示，其中2010年至2015年為企業(yè)真實歷史數(shù)據(jù)，2016年為預(yù)期目標(biāo)數(shù)據(jù)。

1.數(shù)據(jù)的預(yù)處理

從表1可以看到，關(guān)鍵因素之間的數(shù)值量級差距很大，導(dǎo)致各因素的序列方差差距很大，直接應(yīng)用將導(dǎo)致回歸結(jié)果只取決于方差大的影響因素，因此需要對數(shù)據(jù)進(jìn)行預(yù)處理。這里采用z-score方法對每組關(guān)鍵因素進(jìn)行處理，公式如下：

（5）

經(jīng)過預(yù)處理后，所有關(guān)鍵因素具有了近似的數(shù)值量級，處理結(jié)果見表2。

2.變權(quán)重SVR人力資源需求預(yù)測

選用LibSVM作為變權(quán)重SVR模型的實現(xiàn)環(huán)境，在原LibSVM函數(shù)SVMModel中加入指數(shù)化權(quán)重矩陣。采用高斯函數(shù)作為核函數(shù)：

（6）

根據(jù)實驗和經(jīng)驗，設(shè)定核寬度 =20以實現(xiàn)對數(shù)據(jù)的高維非線性映射。懲罰因子C設(shè)置為100，可以避免懲罰因子過小對訓(xùn)練數(shù)據(jù)造成欠學(xué)習(xí)或過大造成對訓(xùn)練數(shù)據(jù)的過學(xué)習(xí)而導(dǎo)致的泛化性能惡化。模型中松弛變量基數(shù)取0.01，數(shù)據(jù)點(diǎn)的逼近精度較高，同時訓(xùn)練模型中支持向量的數(shù)目較少保證模型具有良好的外推性。

為驗證本方法的預(yù)測精度，首先選取2010-2014年5年的歷史數(shù)據(jù)作為訓(xùn)練集，獲得回歸模型。將2015年各關(guān)鍵因素帶入獲得的SVR模型后，輸出2015年該組織的人力資源需求為5653人，人力資源缺口181人。與2015年實際5647人，補(bǔ)充175人相比，人員總數(shù)預(yù)測偏差為0.1%，人員缺口預(yù)測偏差為3.43%。而實際上，2015年該公司的人力資源情況較好的滿足了公司戰(zhàn)略實現(xiàn)的需要，證明預(yù)測結(jié)果具有良好的參考價值。

為預(yù)測2016人公司人力資源需求，重新選取2010-2015年6年的歷史數(shù)據(jù)作為訓(xùn)練集訓(xùn)練新的SVR模型，帶入2016年各關(guān)鍵因素，預(yù)測2016年該組織的人力資源需求為5962人，即該組織2016年的人員缺口為315人。

五、結(jié)論

本文從數(shù)據(jù)挖掘的角度研究企業(yè)人力資源需求預(yù)測問題，在傳統(tǒng)SVR的基礎(chǔ)上，通過引入樣本權(quán)重向量實現(xiàn)對歷史數(shù)據(jù)時間序列重要度的區(qū)分，更好的適應(yīng)了企業(yè)歷史數(shù)據(jù)的特點(diǎn)。實例證明了本方法對企業(yè)人力資源需求預(yù)測具有良好的參考價值。

由于影響大型企業(yè)人力資源需求預(yù)測的關(guān)鍵因素較多，如何更好地選擇、提取和綜合各因素，使其與數(shù)據(jù)挖掘方法更科學(xué)的結(jié)合，仍是需要進(jìn)一步研究的問題。

參考文獻(xiàn)

[1]孫海法.現(xiàn)代企業(yè)人力資源管理[M].廣州：中山大學(xué)出版社，2002

[2]韓亞明.淺析人力資源需求預(yù)測常用方法[J].人力資源管理，2011（4）：51-52

[3]C Cortes，V Vapnik.Support-Vector Networks[J].Machine Learning， 1995，20（3）：273-297

[4]Chih-Chung Chang and Chih-Jen Lin. LIBSVM： A library for support vector machines[J]. Acm Transactions on Intelligent Systems & technology， 2011，2（3）：389-396

作者簡介：

李鵬，男，1984年生，博士研究生，工程師，研究方向為數(shù)據(jù)分析與挖掘