周雨璋

（江蘇省天一中學，江蘇無錫 214000）

0 引言

人力資源是企業(yè)不可缺少的動力資源，對它進行預測分析具有重要的意義。人力資源的預測是指在現(xiàn)有的硬件設施和各項評定結果的基礎上，對之后一段時間內(nèi)企業(yè)的人力資源需求總量進行假設。本文通過線性回歸分析的統(tǒng)計方法預測人力資源需求。影響人力資源的自變量不止一個，因此通過多元線性回歸模型判斷人力資源需求，能更準確地對企業(yè)需求進行預測[1]。

2011 年，王婷運用回歸模型構建的方法對中國資產(chǎn)管理公司的人力資源做了預測；2006 年，張謙明運用回歸分析法對人才需求建立了預測模型，并提出改進措施；Reid A. Bates 依據(jù)相關診斷方法的預測模型對人力資源需求量實現(xiàn)準確預測。

定量分析人力資源需求方法包括趨勢預測法、線性回歸法等，這些方法依靠已有數(shù)據(jù)做出預測，因此預測準確度會更高[2]。本文根據(jù)科技公司人力資源需求的特點，選取各公司歷年來人力資源總量的數(shù)據(jù)，數(shù)據(jù)來源均為同類型公司，建立多元線性回歸的預測模型，對科技公司未來人力資源需求量進行預測[3]。

1 預測理論及模型分析

在進行人力資源需求預測時，通常需要提前找到與之相關度很高的變量[4]?；貧w分析預測方法的重點取決于是否能找出對企業(yè)人力資源需求影響最大的因素，而這個因素必須滿足于兩個條件：一是影響因素能夠反映該企業(yè)的結構、類型等基本特征；二是影響因素與人力資源需求之間必須存在線性相關關系?；谝陨蟽牲c，應從營業(yè)總收入、市場價值、凈利潤率、資產(chǎn)負債率等方面選取影響人力資源開發(fā)的因素[5-6]。

1.1 自變量的篩選——Lasso 回歸

在統(tǒng)計和機器學習中，Lasso（最小絕對收縮和選擇算子，也稱為Lasso）是一種回歸分析方法，它同時執(zhí)行變量選擇和正則化，以提高所得統(tǒng)計模型的準確性和可解釋性。Lasso 最初是為線性回歸模型制定的，模型中包括Lasso 與嶺回歸和最佳子集選擇的關系，以及套索系數(shù)估計和所謂的軟閾值之間的聯(lián)系，Lasso 還表明（與標準線性回歸一樣）如果協(xié)變量是共線的，則系數(shù)估計值不需要是唯一的。

1.2 多元線性回歸模型

多元線性回歸是指一種統(tǒng)計技術根據(jù)兩個或多個變量的值來預測變量的結果。它有時簡稱為多元回歸，是線性回歸的擴展。將需要預測的變量稱為因變量，而用來預測因變量值的變量稱為自變量或解釋變量[7]。

2 構建科技型企業(yè)人力資源預測模型

2.1 數(shù)據(jù)來源

數(shù)據(jù)來源于理杏仁網(wǎng)站（https://www.lixinger.com/profile/center/latest-updates/latest），見表1。

2.2 企業(yè)概況

本文選取的分析對象均為高科技上市公司近10 年（2012-2022）的各項數(shù)據(jù)。

2.2.1 科大訊飛

科大訊飛主要業(yè)務是智能語音開發(fā)與相關芯片的研發(fā)，在與智能機器人的溝通過程中實現(xiàn)流暢交流。不僅如此，語音技術還擁有廣闊的應用空間，包括但不限于音色評估、口語評分、降低或增強噪音、語音編輯等技術。

2.2.2 中興通訊

中興通訊股份有限公司是一家致力于建立綜合通信方案的科技企業(yè)。

2.2.3 用友網(wǎng)絡

用友網(wǎng)絡科技在幫助其他企業(yè)管理人力資源、分析財政狀況、維護客戶關系等方面都有著極大的作用，為企業(yè)提供了極大的便利，從而獲得了大量的利潤。該企業(yè)也是中國云服務、信息化管理、人才管理和咨詢管理的領先企業(yè)。

2.2.4 ?？低?/p>

?？低暿且患铱萍夹推髽I(yè)。該企業(yè)擁有很多不同類型的智能產(chǎn)品，致力于讓世界變得更加智能，并堅持創(chuàng)新，持之以恒地發(fā)展智能物聯(lián)應用，維護有序、安全、高效、便捷的社會，以實現(xiàn)“助力人人享有美好未來”為企業(yè)目標。

2.3 自變量的篩選

運用Python 建立Lasso 回歸模型，篩選出相關性的自變量。Lasso 回歸是用于高維線性數(shù)據(jù)篩選變量的方法。LassoCV 和LassoLarsCV 是Scikit-learn 通過交叉驗證來公開設置Lassoα 參數(shù)的對象。圖1 是篩選出的變量。

圖1 Python運行Lasso回歸模型所得結果

因此，用圖1 中的結果除以系數(shù)接近于0 的變量，最終得出結論為[0，1]，則為x1、x2自變量為相關性較強的自變量。

圖2 為Python 中設定對各自變量的名稱，以方便計算。

圖2 Python中給予各自變量的名稱

通過圖2 對自變量名稱的設定和圖1 所得結論，x1營業(yè)總收入和x2資產(chǎn)負債率為影響公司人力資源數(shù)量相關性最大的自變量。

2.4 建立線性回歸模型stata

篩選自變量營業(yè)總收入和資產(chǎn)負債率對應的數(shù)據(jù)建立線性回歸模型，如表1 所示。

由于自變量為兩個，因此設二元線性回歸方程為y=b0+b1x1+b2x2。

圖3 為stata 對所得結論作線性回歸模型的結果。

圖3 stata 線性回歸模型

各數(shù)據(jù)所對應組成的線性回歸的點圖，如圖4 所示。

圖4 stata 線性回歸點圖

由此得出線性回歸方程為y=5.65E-07x1+43399.34x2-10351.81（y為因變量人力資源總數(shù)，x1為營業(yè)總收入，x2為資產(chǎn)負債率）。

2.5 模型檢驗

運用另一組相同類型科技公司的數(shù)據(jù)集來測試所得方程組是否正確。

表1 描述了?？低暱萍脊咀?012 年至2022 年營業(yè)總收入、資產(chǎn)負債率、市值、員工人數(shù)和凈利潤率的各項數(shù)據(jù)。

運用海康威視科技公司的數(shù)據(jù)集對所得方程組進行測試，實驗結果表明，該方程組是正確的。

3 結語

本文通過運用Lasso 回歸分析的方法，對自變量作篩選分析，從而得出與因變量人力資源總數(shù)相關性最強的自變量。在此基礎上建立多元線性回歸模型，得出人力資源總數(shù)與該公司營業(yè)總收入和資產(chǎn)負債率有關，線性回歸方程組為y=5.65E-07x1+43399.34x2-10351.81。對同類型科技企業(yè)來說，可參照此方程來預測需要的人力資源總數(shù)，從而減少開支，實現(xiàn)利益最大化。對政府而言，人力資源的分配會更加均衡，不會出現(xiàn)人力資源在某一行業(yè)中嚴重缺失或過多的情況。