呂純靜,馬 赫

(1．廣州南方人力資源租賃中心，廣東 廣州 510060；2．廣州市南方人力資源評價中心有限公司，廣東 廣州 511492）

1 引言

在市場經濟的背景下，人才規(guī)劃的重要性日益突出，而人才規(guī)劃的前提是針對人才需求進行科學合理的預測?，F(xiàn)階段，我國各個城市在人才短期需求量預測方面的研究還十分薄弱，大部分集中在企業(yè)層次，還沒有上升到產業(yè)以及行業(yè)層次，針對人才規(guī)劃以及專業(yè)規(guī)劃的意義并不明顯[1]。我國的人才需求預測出現(xiàn)在20世紀80年代左右，大部分的人才需求量預測都是由城市的經濟發(fā)展情況決定的，其中需要將經濟設定為人才需求量預測的基礎，將人才需求量設定為預測量，制定對應的城市短期人才需求量預測方案，以上方法只著眼于經濟因素對人才需求的影響，更加適用于工業(yè)經濟時代。

但是隨著網絡技術以及科學技術的迅猛發(fā)展，相關專家提出了更新的城市人才短期需求量預測方法，例如譚凱等[2]利用多元回歸—灰色預測組合方法預測煤炭行業(yè)經營管理人才需求，殘差分析結果表明，該預測方法具有很好的適用性。王新宇[3]提出基于非線性自回歸模型的短期導游人才需求預測，利用NAR 模型，提取招聘網站導游崗位的需求數(shù)據(jù)，使用仿真軟件編制計算程序，預測崗位每日需求量。以上預測方法雖然現(xiàn)階段取得了十分顯著的研究成果，但是由于未能考慮城市人才短期需求量預測體系中的指標降維問題，導致預測結果不理想，響應時間增加。為了更好地解決上述問題，設計并提出一種基于改進灰色模型的城市人才短期需求量預測方法。實驗結果表明，所提方法能夠有效降低響應時間，同時獲取更加滿意的預測結果。

2 基于改進灰色模型的短期需求量預測方法

2.1 人才短期需求量預測系統(tǒng)的指標體系

社會對于人才的需求具有多樣性以及動態(tài)性，如果將人才需求看作是一個黑盒，可以從序列本身進行預測。但是在社會的大環(huán)境中，尤其是在市場經濟已經全球一體化的背景下，人才需求受到經濟、社會等方面因素的影響。以下分別從經濟環(huán)境、社會環(huán)境等方面入手，定性分析人才需求的影響因素，具體如圖1所示。

在上述分析的基礎上，組建人才短期需求量預測系統(tǒng)的指標體系。

2.2 改進灰色模型

灰色預測方法就是將原來比較離散的數(shù)據(jù)序列利用生成數(shù)進行處理，有效降低隨機因素形成對預測結果產生的負面影響，使其能夠準確獲取系統(tǒng)的變化規(guī)律[5-6]，構建對應的灰色預測模型。在數(shù)列預測時較為常用的模型為一階一元灰色預測模型，即GM(1，1)。通過計算可知多階灰色預測模型的適用性較差，在實際中很少用，整個建模的過程大致能夠劃分為以下幾個步驟，具體如圖2所示。

(1) 對原始序列x0(k)作1-AGO，獲取x1(k)；

(2) 對x0進行準光滑性檢驗；

(3) 對x1進行準指數(shù)規(guī)律檢驗；

(4) 對不同參數(shù)進行求解；

(5) 進行精度檢驗。

校驗平均相對誤差、關聯(lián)度、均方差比等概率指標，具體的操作過程如下所示：

(1) 通常情況下，通過平均相對誤差進行檢驗，其中相對誤差的計算式為：

(2) 式(1)中，x0(t)代表預測值，其中相對誤差的取值越小，則說明預測值的精度就越高。

(3) 設定ε 代表x0(t)和x0(t)之間的絕對關聯(lián)度，假設ε0＞0，則有ε＞ε0，將該模型稱為合格模型。

(4) 小誤差概率越大越好，具體的計算式為：

傳統(tǒng)的灰色模型存在一定的弊端，以下需要對其進行改進，具體的操作過程為：

同時，GM(1，1)代表灰色預測理論的核心，主要代表一個變量的微分方程型預測模型[7-8]。設定時間序列x0(k)中存在n個觀測值，則最新的時間序列為：

式(3)中對應的白化微分方程可以表示為：

式(4)中，a、u代表未進行識別的參數(shù)變量，以下采用最小二乘方法對其進行求解，具體的計算式為：

式(5)中：

將得到a、u的計算結果代入到白化微分方程中，則能夠獲取改進后的GM(1，1)預測模型，具體的表現(xiàn)形式為：

對公式(8)進行求導，則能夠將模型還原，具體的表達形式為：

通過計算實際值和預測值的統(tǒng)計情況對灰色預測模型精確度進行檢驗，其中檢驗指標設定為相對誤差，其中相對誤差的取值越小，則說明預測結果越理想，整個模型預測精度的綜合評價如表1所示。

表1 改進灰色模型精度等級劃分表

2.3 城市人才短期需求量預測

人才需求的統(tǒng)計數(shù)量較少，所以影響因素也有很多種，所以城市人才短期需求量預測系統(tǒng)具有信息少以及高維度等優(yōu)勢，對指標體系直接進行降維是十分可選的方法，但是經過降維處理之后，導致結果的解釋性較弱，同時要求指標集數(shù)據(jù)量要足夠大。所以，引入相關性分析以及灰色關聯(lián)分析[9]，對不同的動態(tài)指標進行降維處理，具體的操作過程如下：

(1) 選擇母序列，將城市人才需求量設定為母序列，將其表示為：

(2) 選擇子序列：

利用指標體系中的指標組成對應的子序列，具體的計算式為：

(3) 分別計算不同指標和人才需求量的相關系數(shù)，由于其和人才需求量之間的關聯(lián)性較弱，所以需要將其在子序列中刪除。

(4) 對母序列和子序列進行無量綱化處理。

對序列進行無量綱化處理的方式有很多種，最后獲取的關聯(lián)序也存在一定的差異性，以下選用四種方法進行無量綱化處理，同時結合關聯(lián)度的離散程度對比四種方法的好壞，具體的計算式如下：

1) 初值化：

2) 均值化：

其中：

3) 中心化：

式(15)中：

4) 極值化：

(5) 計算子序列以及母序列的關聯(lián)系數(shù)，具體的計算式為：

(6) 計算子序列以及母序列的關聯(lián)度[10]，具體的計算式為：

(7) 對比不同無量綱化方法，分別采用公式(20)和公式(21)計算不同關聯(lián)度的離差以及標準差：

1) 離差：

2) 標準差：式(21)中：

(8) 通過關聯(lián)度γi將各項指標從大到小進行排序，獲取對應關聯(lián)序ranki。

在得到各個指標集的關聯(lián)序之后，在排序后的指標集中選取前l(fā) 個指標，采用主成分分析進行降維處理，同時擬合指標集合人才需求量之間的函數(shù)關系，分析檢測集的精度時候滿足對應的要求。假設無法滿足要求，則需要增加指標集中的指標，直到精度滿足設定的要求為止，從而實現(xiàn)對應指標的動態(tài)選擇。

在經過降維處理之后，結合2．2 小節(jié)改進的灰色模型，組建城市人才短期需求量預測的改進灰色模型，即：

結合公式(23)組建的模型對城市人才短期需求量進行動態(tài)關聯(lián)分析，以達到最終城市人才短期需求量預測的目的，即：

3 仿真實驗

為了驗證所提基于改進灰色模型的城市人才短期需求量預測方法的綜合有效性，在Ubuntu18．04LTS系統(tǒng)，處理器為Intel Xeon(R)E3-1230v3，內存20GB，基于Python的Anaconda集成環(huán)境下進行仿真實驗測試。

(1) 響應時間/(min)

為了更進一步驗證所提方法的有效性，以下實驗測試對比不同方法的響應時間，具體的實驗對比結果如圖3所示。

分析圖3中的實驗數(shù)據(jù)可知，由于所提方法有效解決了城市人才短期需求量預測體系中的指標降維問題，有效避免各個因素對預測結果的影響，同時有效降低整個方法的響應時間，使所提方法的響應時間明顯低于另外兩種預測方法。

(2) 城市人才短期需求量預測結果分析

實驗選取三種不同的城市人才短期需求量預測方法針對J城市最近六個月內的人才需求量進行預測，其中真實值和預測值之間的比較結果如表2所示。

表2 不同方法的城市人才短期需求量預測結果對比

分析表2中的實驗數(shù)據(jù)可知，所提方法的預測值和真實值更加接近，另外兩種預測方法的預測值和實際值之間存在較大的差距。這主要是由于所提方法在實際應用的過程中，有效解決了城市人才短期需求量預測體系中的指標降維問題，促使整個方法的預測值和真實值更加接近。

4 結束語

針對傳統(tǒng)方法存在的預測結果不理想以及響應時間較長問題，結合改進灰色模型，設計并提出一種基于改進灰色模型的城市人才短期需求量預測方法。仿真實驗結果表明，所提方法能夠有效降低響應時間，同時獲取令人滿意的預測結果。