張涵智，逯婭娜，王金鑫

（1.齊齊哈爾工程學院管理工程系，黑龍江 齊齊哈爾 161005；2.長春建筑學院管理學院，吉林 長春 130607）

一、引言

在國內的教育領域中，對教師動態(tài)流動情況進行統(tǒng)計與預測具有非常重要的意義[1]。如今，高校人力資源管理工作正在面臨著非常嚴峻的挑戰(zhàn)，則是營銷類專業(yè)教師的動態(tài)流動問題，營銷類專業(yè)教師動態(tài)流動的內容由兩方面組成，其一是高校內部教師的動態(tài)流動，其二是各大高校之間的教師流動，即外流。目前的研究中，學術界以及實踐界都非常重視高校與高校之間的教師動態(tài)流動問題，同時也積累了大量豐富的研究經驗和理論基礎，在如何應對營銷類專業(yè)教師外流問題方面也產生了很多成熟的想法[2]。與外流相比，對高校內部的營銷類專業(yè)教師動態(tài)流動研究至今還缺乏深入的關注，高校在面對內流問題時，基本上都是采用目前已有的經驗和基礎，缺乏研究深度[3]。因此，預測高校營銷類專業(yè)教師的動態(tài)流動，可以為高校人資源管理提供建設性意見。

在國內的研究中，豐凱等人[4]利用AM EDIN模型提出了一種服務需求動態(tài)預測方法，根據AM EDIN模型中的各個交互單元的組成情況，得到不同服務需求與各個場景之間的交互關系，在注意力機制的基礎上，計算了場景的不同對服務需求影響的權重，通過訓練AM EDIN模型中的場景特征和服務需求特征，預測了服務需求的動態(tài)情況，以Movielens數據集和Alibaba數據集為例，驗證了該方法的可行性，但是預測精度較低；仝勖峰等人[5]基于全天空動態(tài)圖像提出一種太陽直接輻射預測方法，將太陽輻射的多維度特征融合到回歸模型中，考慮到太陽云團特征存在提取困難、預測精度低的問題，通過分割太陽云團的閾值，檢測到太陽所處的位置，結合模板匹配測算云速，提取出太陽云團特征，實現(xiàn)太陽位置的預測，結果顯示，該方法在預測過程中的誤差較小，但是仍然無法滿足預測要求，還需要進一步改善。

基于以上研究背景，本研究利用馬爾科夫鏈設計了營銷類專業(yè)教師動態(tài)流動預測方法，從而提高預測精度。

二、營銷類專業(yè)教師動態(tài)流動預測方法設計

（一）分析營銷類專業(yè)教師動態(tài)流動特征

通常情況下，營銷類專業(yè)教師動態(tài)流動量變化的數據是由一組多維序列組成，多維序列中的教師動態(tài)流動樣本數據與高校的教育模式之間關系非常密切[7]。將營銷類專業(yè)教師動態(tài)流動量影響因子構成的集合定義為，利用支持向量機理論能夠擴展處理營銷類專業(yè)教師動態(tài)流動量的樣本數據，將低維度教師動態(tài)流動量樣本數據變換成高維度樣本數據，經過交叉變換處理，判斷是否需要對教師動態(tài)流動量樣本數據進行擴展運算。

由于營銷類專業(yè)教師動態(tài)流動量的樣本數據具有比較強的隨機性和時變性[8]，根據高校教育環(huán)境和教學政策的影響特征，分析營銷類專業(yè)教師動態(tài)流動特征，具體過程為：

營銷類專業(yè)教師動態(tài)流動量在計算過程中會受到很多外部因素的影響，因此通過公式（2）計算教師動態(tài)流動量，即：

根據教師動態(tài)流動量的計算結果，得到營銷類專業(yè)教師動態(tài)流動的狀態(tài)和輸出，表示為：

通過公式（3）的計算可知，營銷類專業(yè)教師動態(tài)流動量的隨機性和時變性與教師動態(tài)流動的狀態(tài)和輸出之間存在著密切的關系[9]，基于這一關系分析了營銷類專業(yè)教師動態(tài)流動特征。

（二）營銷類專業(yè)教師動態(tài)流動數據的加權滑動處理

先對營銷類專業(yè)教師動態(tài)流動數據的原始序列進行加權滑動處理，利用公式（4）的序列定義營銷類專業(yè)教師動態(tài)流動預測的樣本數據，即：

按照馬爾科夫鏈的組成框架，對經過序列滑動處理的樣本數據進行處理[10]，得到營銷類專業(yè)教師動態(tài)流動預測概率等數據，具體步驟為：

Step1：通過教師動態(tài)流動數據原始序列的滑動平均處理，得到原始序列的均值和方差，對高校營銷類專業(yè)教師動態(tài)流動的均勻程度進行評估；

Step2：利用非線性模型對教師動態(tài)流動數據原始序列進行馬爾科夫分析，通過布置馬爾科夫空間狀態(tài)[11]，進行分析滑動處理樣本序列；

Step3：選擇原始序列的均方差作為營銷類專業(yè)教師狀態(tài)的分類依據，統(tǒng)計馬爾科夫空間的滑動序列，得到營銷類專業(yè)教師動態(tài)流動序列的特征[12]；

Step4：在不同的轉移概率下，計算不同步長的自相關系數，即：

利用公式（5）得到的自相關系數，歸一化處理馬爾科夫權重，公式為：

預測概率對應的營銷類專業(yè)教師動態(tài)流動特征[13]，得到加權滑動處理的營銷類專業(yè)教師動態(tài)流動數據，即：

根據以上過程，完成了營銷類專業(yè)教師動態(tài)流動數據的加權滑動處理。

（三）基于馬爾科夫鏈構建專業(yè)教師動態(tài)流動預測模型

營銷類專業(yè)教師動態(tài)流動的轉移過程可以看作是一條馬爾科夫鏈，利用馬爾科夫分析理論建立營銷類專業(yè)教師動態(tài)流動的馬爾科夫鏈模型。將營銷類專業(yè)教師的狀態(tài)劃分為6種，各狀態(tài)之間的傳遞情況如圖1所示。

圖1 狀態(tài)傳遞結構

圖1描述了營銷類專業(yè)教師狀態(tài)的轉移規(guī)律，初級教師可以轉移到6種狀態(tài)中的任意一種狀態(tài)，而調離和退休不能再進行轉移，初級教師、中級教師和高級教師轉移到調離狀態(tài)之后，再經過進修仍然可以返回到原狀態(tài)[14]。利用馬爾科夫鏈對營銷類專業(yè)教師動態(tài)流動預測的步驟為：

Step1：確定營銷類專業(yè)教師動態(tài)流動的一步狀態(tài)轉移概率矩陣

Step2：計算營銷類專業(yè)教師轉移的概率矩陣

Step4：計算營銷類專業(yè)教師動態(tài)流動預測的平均時間

將營銷類專業(yè)教師動態(tài)、流動狀態(tài)數據帶入到馬爾科夫模型中，通過計算得到營銷類專業(yè)教師轉移的矩陣，結合營銷類專業(yè)教師動態(tài)流動預測的平均年限[15]，實現(xiàn)了營銷類專業(yè)教師動態(tài)流動預測。

三、實例分析

（一）數據來源

為了驗證基于馬爾科夫鏈的營銷類專業(yè)教師動態(tài)流動預測方法在實際應用中的性能，在獲得某高校近兩年營銷類專業(yè)教師流動數據的基礎上，按照狀態(tài)轉移情況得到某高校營銷類專業(yè)教師狀態(tài)轉移數據，如表1所示。

表1 某高校營銷類專業(yè)教師狀態(tài)轉移數據

表1中的數據是指每年處于某一種狀態(tài)的高校營銷類專業(yè)教師在上一年總人數基礎上，轉移到其他狀態(tài)的人數。

（二）數據分析

根據表1中營銷類專業(yè)教師狀態(tài)轉移數據，對其進行分析，對于營銷類專業(yè)教師動態(tài)流動中流入、流出和駐留的定義為：

流入：如果營銷類專業(yè)教師一年內從A狀態(tài)轉移到B狀態(tài)，那么B狀態(tài)的流入量加1；

流出：如果營銷類專業(yè)教師一年內從B狀態(tài)轉移到A狀態(tài)，那么B狀態(tài)的流出量加1；

駐留：如果營銷類專業(yè)教師一年內都在A狀態(tài)，那么A狀態(tài)的駐留量加1。

該高校一年內營銷類專業(yè)教師的動態(tài)流動情況如圖2所示。

圖2 營銷類專業(yè)教師的動態(tài)流動情況

從圖2的狀態(tài)特征可以看出，營銷類專業(yè)教師在一年內的流入、流出和駐留變化趨勢基本一致，在相同時間都具有多個波峰和波谷，呈現(xiàn)出季節(jié)性特征，因此，需要設置合理的時間周期性參數。

（三）結果分析

將營銷類專業(yè)教師的動態(tài)流動預測劃分為4個周期，即一個季度為一個周期，為了驗證文中方法在預測營銷類專業(yè)教師動態(tài)流動時的精度，引入基于情景感知的預測方法和基于機器視覺的預測方法作對比，測試了4個周期的營銷類專業(yè)教師動態(tài)流動預測精度，結果如下。

一、三季度的營銷類專業(yè)教師動態(tài)流動預測精度測試結果如圖3所示。

圖3 一、三季度預測精度測試結果

圖3的結果顯示，在預測營銷類專業(yè)教師的動態(tài)流動時，基于情景感知的預測方法和基于機器視覺的預測方法在一、三季度的預測精度低于60%，采用文中方法時，在一、二、七、八月份的預測精度更高，超過了90%，原因是在這四個月份中，教師處于寒暑假期，沒有太大的動態(tài)流動，馬爾科夫鏈可以預測出教師在假期的狀態(tài)，因此，預測精度較高，文中方法在三月和九月的預測精度偏低，原因是三月和九月處于開學季，教師的動態(tài)流動較大，馬爾科夫鏈在預測過程中會存在一定誤差，但預測精度仍然超過了80%，高于其他兩種預測方法，具有更高的預測精度。

二、四季度的營銷類專業(yè)教師動態(tài)流動預測精度測試結果如圖4所示。

圖4 二、四季度預測精度測試結果

根據圖4的結果可知，基于情景感知的預測方法和基于機器視覺的預測方法在預測營銷類專業(yè)教師動態(tài)流動時的精度在60%～80%之間，而采用文中方法預測營銷類專業(yè)教師動態(tài)流動時，二、四季度的預測精度均在90%以上，說明文中方法能夠利用馬爾科夫鏈預測營銷類專業(yè)教師的流動趨勢，大大提高了預測精度。

四、結束語

本研究提出了基于馬爾科夫鏈的營銷類專業(yè)教師動態(tài)流動預測方法研究，經實例分析發(fā)現(xiàn)，該方法在預測營銷類專業(yè)教師動態(tài)流動時具有更高的精度。但是本文的研究還存在很多不足，在今后的研究中，希望可以引入神經網絡，將其與馬爾科夫鏈結合在一起，進一步提高預測精度。