海南省大健康產業人才需求多元回歸預測模型的構建

陳燕瑩 黑啟明 劉春平 吳睿 符帥 ??

[摘要]文章首先根據文獻檢索法梳理國內文獻關于人才需求預測方法的優缺點，基于現有文獻研究，在考慮專家的意見和數據的易得性，選取3類共20個指標因素，選取2009—2015年的數據，構建基于海南省大健康產業各類衛生技術人員數量和整個指標體系因素之間的多元回歸模型。在具體分析中，由于多個指標之間存在多重共線性關系，為保留盡可能多的指標因素，采用主成分分析進行降維處理，解決共線性問題，共提取2個公因子，并利用公因子構建多元線性回歸預測模型。同時，結合趨勢外推法通過對整體指標體系因素的未來值的預測代入回歸預測模型進而進行2016—2020年未來海南省大健康產業人才需求的預測。和海南省大健康產業各類衛生人才及管理人員數目的實際值進行比較，回歸預測模型具有較好的預測結果。

[關鍵詞]海南??；健康產業人才需求；預測模型

[DOI]1013939/jcnkizgsc201729101

2016年10月25日，國務院發布《“健康中國2030”規劃綱要》，明確健康中國的戰略目標是，到2020年，建立覆蓋城鄉居民的中國特色基本醫療衛生制度，健康素養水平持續提高，人人享有基本醫療衛生服務和基本體育，主要健康指標居于中高收入國家之列。到2030年，促進全民健康的制度體系更加完善，健康服務質量和健康保障水平不斷提高，健康產業繁榮發展，基本實現健康水平，主要健康指標進入高收入國家行列。[1]

為了保障健康服務指標建設的達成，健康服務尤其是醫療服務質量的改善與提高，促使整個社會基本醫療衛生服務的可負擔，如何確保合理的健康服務人才的供給與布局，能夠相對準確科學地進行一個國家或者一個區域的健康產業人才的需求預測，明晰影響健康產業人才需求的因素就成為值得重點研究的問題之一。

在加快建設國際旅游島的背景下，健康服務業已成為海南省現實需求最大、增長速度最快的現代服務業之一。到2020年，全省健康服務業總規模達到1000億元以上，健康服務業占GDP比重達到15%左右，成為推動經濟社會持續發展的重要力量。為了實現這一目標，海南省必然需要大量的健康服務業專業人才，而截至2015年年底海南省統計年鑒及“十二五”期間衛生科教工作總結文件的統計數據顯示，海南省每千常住人口執業（助理）醫師數達到209人，每千常住人口注冊護士數達到271人，醫護比為1∶130，每千常住人口執業藥師數達到031人，距離國家《“健康中國2030”規劃綱要》要求的健康指標均存在一定的差距，例如，到2015年，每千常住人口執業（助理）醫師應達到22人，到2020年，達到25人，到2030年，達到30人；到2020年，每千常住人口注冊護士數應達到314人，到2030年，達到47人；到2020年，每千常住人口執業藥師數應達到06人。

1人才需求預測方法的研究現狀

總體而言，我國目前的人才需求預測工作還十分薄弱，很多行業還沒有建立起具有宏觀指導性，自身行業獨特的人才需求特征指標體系和規范化的預測模型。大部分的人才需求預測還停留在企業預測層面，大多采用傳統的時序外推法，只考慮時間序列因素，不關注外部因素造成的影響，當外部經濟環境、政策沖擊加上人口流動遷移發生重大變化時，傳統的預測方法將難以適應人才預測的需要。

Scheffler等（2008）[2]是首位從國家間的角度，使用合適的縱向數據對158個國家的醫師人數的供求數量及是否符合世衛組織的基本健康服務覆蓋的需求門檻進行預測的學者。

Jenny X Liu、Yevgeniy Goryakin、Akiko Maeda等（2017）[3]基于經濟學供需模型以經濟增長、人口規模、健康水平覆蓋程度為解釋變量，使用世界衛生組織健康市場勞動力觀察報告中的165個國家從1990年至2013年的健康市場勞動力數據對2030年的全球健康市場勞動力需求進行預測。結果發現到2030年，全球需要各類健康衛生技術人才高達8000萬人，為2013年的兩倍，而世界范圍內勞動力的凈短缺達到1500萬人。隨著經濟增長、人口增長及人口老齡化，對健康市場勞動力需求的高增長將由高收入國家向中等偏高收入國家轉移。大量的人才短缺會加劇國家間健康衛生技術人才的全球爭奪與競爭。由于供不應求，中等收入國家會面臨大量人才短缺。與此相反，低收入國家將面臨供求雙方的低增長，看似不會面臨人才短缺的現象，但是健康衛生人員的數量遠遠低于世衛組織對基本健康服務覆蓋所要求的人員需求門檻。

我國人才需求預測分析起始于20世紀80年代，經濟增長的騰飛伴隨著大量的人才需求，因此擁有以經濟增長的有關數據為基礎的預測傳統，以人才需求量作為預測量，進行預測模型設計。這種思路容易忽視科學技術與知識的變革與疊代更替帶來的產業結構升級和核心競爭優勢的轉變，進而對人才數量與其結構變化的影響。

人才需求影響的因素很多，涉及社會、經濟、科技等多種因素，很多地區的人才統計數據在1988年才開始建立，樣本數據很少，歷史數據遺漏與錯誤現象嚴重，存在“維度災難”的問題。目前人才需求預測的模型建立方法有以下五種：一是時序趨勢外推預測法；二是多元回歸模型；三是灰色預測模型；四是神經網絡預測模型；五是差分自回歸移動平均法與最小二乘支持向量機（ARIMA-LSSVM）組合預測模型等。

趙東旭（2015）[4]基于趨勢外推法對吉林省2001—2013年的接待入境旅游人數以時間t為自變量，時序數值y為因變量進行二次曲線的模型擬合，然后基于該模型對未來8年（2014—2021年）的入境旅游人數進行預測，平均誤差較小，方程擬合較好，有較高的預測精度。這種方法是對特定時間序列建立的靜態模型，只可根據時間序列的長度進行未來短中期（4～5年或近10年）的預測，由于預測時刻越遠，受到的干擾影響因素就越大，預測的精度就會下降，因而難以建立長期預測模型。

王小平、陳敏等（2014）[5]選取涉及宏觀經濟因素、社會環境因素、對外經濟因素、技術因素四類23種指標構建基于上海市金融業從業人員數量和這23種指標因素間的回歸預測模型。文中利用主成分分析方法解決共線性問題，提取2個公因子，并利用公因子構建線性回歸預測模型。通過預測模型估測的上海市金融業從業人員數量與實際就業人員數量相比，回歸模型具有較好的預測結果。這類模型預測的方法能夠清晰直觀地解釋所要分析問題的影響因素，容易理解問題背后深層次的內在聯結與相互影響。但其缺點也非常明顯，選擇影響因素無可避免具有極強的主觀性，可能造成遺漏了重要的相關因素或挑選了次要因素，因而影響了預測因素的精確性。另外，這類模型目標變量的預測是基于解釋變量的預測值可以獲得的前提下的，具有一定的局限性，對歷史數據的獲取量比較多。endprint

胡雪花（2009）[6]首先從經濟、社會、科學技術、涉外經濟四個方面進行分析，建立了人才需求預測系統的指標體系，選取了32個指標，結合了相關性分析和灰度關聯分析，建立了三種灰色預測模型，并在實際數據的檢驗下選擇了等維動態GOM模型作為指標預測的最優模型。在對指標分析建模的基礎上，建立了基于灰色理論的BP神經網絡人才需求預測模型，并與此前的等維GOM模型進行模型優劣比較，在此基礎上，提出了基于灰色理論的Elman神經網絡的改進模型。最后實證結果表明，Elman神經網絡預測模型能夠結合灰色理論和神經網絡兩者對人才需求歷史數據不足達到雙重降維的優點以及充分利用各指標信息，反映人才系統動態性和指標影響的動態化，具有強線性擬合特性和較強的適用性。

通過以上研究可知，各種預測方法皆存在自身的優劣勢和適用的數據條件，而至今沒有學者運用科學的人才需求預測方法對醫療衛生行業乃至整個大健康產業的人才需求情況進行合理的預測工作。因此，本文以海南省為例，嘗試對海南省的大健康產業的人才需求預測進行分析，為現實研究提供可借鑒之處。

2海南省大健康產業人才需求預測指標選擇

多元線性回歸分析方法是常用的統計學方法，它可以利用收集到的歷史數據或者觀察數據去嘗試擬合模型，以研究學者關心的目標變量與解釋變量之間的線性關系，檢驗解釋變量的顯著性特征和對模型的影響作用大小，進而可以通過兩個或兩個以上的變量去解釋和預測另一個變量的關系。

根據勞動經濟學的理論，勞動需求是一種“派生需求”，雇主之所以要雇用勞動力，是為了生產、銷售產品或者提供服務以獲得收益。根據傳統經濟學的廠商理論，從宏觀角度上看，生產函數Q=（L，K），從中可以看出，產量的增長不僅依靠資本投入的增長，也憑借著勞動力的增加或者勞動生產率的提高。這取決于全社會的資本投資規模和科學技術革新突破帶來的生產率低增長。從微觀層度來看，各個企業的勞動力需求的變化，受限于產量的變化以及工資率的變化。而勞動力的需求變化還受到了勞動力供給的制約，除了工資因素外，還取決于所在國家或地區的人口規模、人口結構、人口流動、所處的經濟周期以及其他相關制度和政策沖擊的影響。

因此，依據現有的文獻指標選擇方法，結合各方面收集到的資料和訪談專家的意見，在考慮指標數據的易得性、適用性，以及不同行業研究對象上的差異性，本文選取了三類共20個指標進行預測分析，具體見表1。

3海南省大健康產業人才需求預測模型的構建

31相關性及共線性分析

本文初步以海南省衛生人員總量作為因變量（記為y1），以上述20個指標作為自變量（即X1，…，X20），運用2009—2015年的歷史數據資料，建立回歸預測模型。

在做回歸分析之前，先利用統計軟件SPSS 230中文版對海南省衛生人員總量y1與20個指標因素之間的相關程度進行考察，運用Pearson相關分析檢驗法，其相關系數參見表1。

從相關系數上看，在5%的置信水平下，海南省衛生人員總量與全省居民消費價格指數、全省醫療保健和個人用品消費價格指數以及全省商品零售價格指數的相關系數分別為-0136、-0115和-0250，相關性較小，可將這三種價格指數予以剔除；同時，海南省衛生人員總量和海南省全員勞動率以及海南省進口總額的相關系數雖為0553和0679，因其相關系數相對小于其他系數指標，且沒有達到5%的置信水平，故依然把這兩種指標剔除；除了上述剔除的5種指標因素外，其余的15種指標與海南省衛生人員總量具有極大的相關性，相關系數大，幾乎都在09以上，而且都是正相關。

從這20種指標因素的相關因素上看，個別指標之間的相關系數達到了08以上，存在共線性問題，因此需要對20個自變量進行共線性診斷，共線性相關指標參見表2和表3。

由表2和表3可以看出，共線性診斷給出了容差（Tolerance）和方差膨脹因子（VIF）、特征值（Eigenvalue）、條件索引（Condition Index）和方差比例（Variance Proportions）的值。根據統計學的標準判斷，如若容差≤01或VIF≥10，條件索引>10或者方差比例>05，特征根越小等，可判斷自變量間存在共線性。表2和表3表明，部分自變量間存在明顯的共線性。

32海南省大健康產業人才需求模型的構建

為了解決自變量間存在的共線性問題，同時盡可能多地保留人才需求影響因素的變量，本文先采用主成分分析方法構建回歸模型。

通過主成分分析法的碎石圖（見圖1）可知，對解釋自變量進行降維處理，可以提前2個因子。根據旋轉因子載荷表（見表4）和主成分因子成分圖（見圖2），可得到主成分因子公式，見式（1）至式（3）。

a旋轉后在3次疊代后已收斂。

F1=0916X17+0814X3+0811X4+0808X15+0795X10+0781X9+0770X16+0728X13+0719X12+0716X11+0709X5（1）

F2=0915X20+0757X18+0726X2+0718X1（2）

經過主成分分析后，提取2個公因子，利用F1和F2兩個公因子構建回歸模型，根據散點圖可知，海南省衛生人員總量和兩個公因子之間存在線性關系，因此構建的多元線性回歸模型為：

從表5中的R2和調整后的R2的值可以看出構建的回歸方程擬合度較好。從表6的方差分析表中的F值及其的顯著性Sig的概率值小于0001，說明多個自變量和因變量之間存在線性相關關系。將表7中的回歸系數代入式（3）中，可得到海南省衛生人員總量預測模型為：

y1=59841857+5995327F1+4847101F2（4）

將式（1）和式（2）代入式（4），可得，endprint

y1=59841857+5995327（0916X17+0814X3+0811X4+0808X15+0795X10+0781X9+0770X16+0728X13+0719X12+0716X11+0709X5）+4847101（0915X20+0757X18+0726X2+0718X1）（5）

根據上述得出的海南省衛生人員總量預測模型，將海南省2009—2015年的各項數據代入式（4）中，相關數據見表8。

由表8可看出回歸模型的預測值與實際值比較一致，絕對誤差均小于3%，除了2012年，其他年份的絕對誤差均小于13%。根據表8，將實際值和預測值，得到更直觀的圖形表示，見圖3。從圖3可以直觀地看出海南省衛生人員總量的預測值的變化趨勢基本反映了實際值的變化趨勢。由此判斷，本文構建的回歸預測模型用來預測海南省衛生人員總量的預測值偏差率較低，可靠度比較高。

同理，可用相同的回歸模型預測方法對目標變量海南省衛生技術人員y2、海南省執業（助理）醫師人數y3、海南省執業醫師人數y4、海南省注冊護士人數y5、海南省執業藥師人數y6、海南省大健康產業管理人員總數y7進行預測，見表9。

由表9的海南省大健康產業各類衛生技術人員以及管理人員總數的實際值與預測值的比較表可以得知，本文選取的大健康產業人才需求預測指標體系相對比較合理，能夠通用與不同類型人才需求的預測，且各類人員總數的絕對誤差均小于53%，大多數低于3%，且都集中于2012年這一相對較異常的年份。通過觀察可以發現在各項指標數據整體上揚時，尤其是衛生和社會人員的平均工資于2012年還出現較大幅度增長的同時，全省執業（助理）醫師人數和執業醫師人數反而較2011年出現小幅減少的情況，導致這一年的絕對誤差相對較大。而在此之前的2011年并沒有出現重大的衛生人力政策的沖擊和經濟大環境的明顯惡化，而執業醫師資格考試的錄取分數線和通過率并沒有明顯的變化，因此，不排除因各地薪酬增加產生人才流動的可能性。綜上所述，可以發現本文構建的多元回歸預測模型擬合度較高，預測精度較好，可靠性較強。

33結合趨勢外推法進行未來預測

由于多元回歸預測模型具有較好的解釋能力，但是解釋變量的未來值現實中較難取得，因此需要靠趨勢外推法，將所有影響因素都全部歸結于時間這一變量，假定事物發展過程中沒有跳躍的非線性變化，事物發展的因素也影響著事物未來的發展，其條件不變或者變化不大。根據對人才需求預測指標體系數據的觀察，各項指標數據均呈上升趨勢，并無明顯的波動，其變化趨勢大多呈拋物線遞增趨勢，因此可以用時間t為自變量，各項指標的時序數值為因變量，運用二次曲線進行分別擬合，運用模型進行未來值預測，再將各項指標的未來值代入多元回歸方程中進行目標變量的預測，這就是將多元回歸預測與時序外推法相結合的組合預測法。通過趨勢外推法的二次曲線擬合模型，各項指標的顯著性均小于003，都具有統計學意義，可以進行未來值預測的同時代入多元回歸方程，因此可得到海南大健康產業2016—2020年未來五年的預測值，見表10。

根據表10的預測值，到2020年，海南省的常住人口達到96524萬人，此時，每千常住人口執業（助理）醫師預計達到285人，超過“健康2030”規劃于2020年達到25人的標準；每千常住人口注冊護士數預計達到367人，超過“健康2030”規劃于2020達到314人的標準；每千常住人口執業藥師數預計達到04人，未符合“健康2030”規劃于2020達到06人的標準。因此，由預測值可以看出，通過構建的模型，海南省大健康產業人才需求中，作為健康產業的支柱細分產業醫療衛生服務行業的執業（助理）人數和注冊護士人數隨著模型的自然增長能夠滿足當地衛生服務的需求和達到國家規劃的標準，但其他醫藥、公共衛生、衛生技術、健康服務等細分行業的人才需求還有很大的缺口，應把人才建設與教育培育、財政投入、政策支持傾向于這些行業的人才發展工作。

4研究展望

本文利用主成分分析多元回歸方法構建了海南省大健康產業的各類人才需求預測模型，經過實際數據計算，構建模型的預測值和實際值比較接近，預測效果較好。但由于數據周期較短，海南省早年間的很多數據沒有進行統計，尤其是衛生總費用數據的統計及衛生人員的收入數據早年間還沒有納入統計范疇，具體數據較少，在做具體回歸分析上可能存在數據不足導致的精確性下降問題。另外，海南省作為得天獨厚的自然條件旅游大省，到冬季很多候鳥型的游客會季節性地長達數月在海南過冬，但海南省常住型和流動型候鳥人口的數據于2011年才納入海南省的統計學年鑒，數量接近常住人口的1/4，因此海南省大健康產業整體的人才需求比預測值理論上應該再上浮125倍左右，才能滿足真實的健康服務需求和負荷。同時，在今后的研究中希望能夠結合多種預測模型，如灰度預測模型、神經網絡預測模型、ARIMA-LSSVM等模型，進行比較分析，找出更精確的預測模型，更準確地預測人才需求量。此外，還希望對全省大健康產業人才的初、中、高端各層次分布的合理性和地域分布的公正性以及其他影響人才需求與流動的因素進一步地研究，以期為海南省的大健康產業人才建設與規劃政策提供數據支持和決策工具。

參考文獻：

[1]國務院“健康中國2030”規劃綱要[EB/OL].（2016-10-25）http：//wwwgovcn/zhengce/2016-10/25/content_5124174htm

[2]Scheffler R M，Liu J X，Kinfu Y，et alForecasting the Global Shortage of Physicians： An Economic- and Needs-based Approach[J].Bull World Health Organ，2008，86（7）：516-523B

[3]Jenny X Liu，Yevgeniy Goryakin，Akiko Maeda，et al Global Health Workforce Labor Market Projections for 2030[J].Human Resource for Health，2017（15）：11-23

[4]趙東旭基于趨勢外推法的吉林省英語旅游人才需求預測及培養對策[J].職業技術教育，2015（20）

[5]王小平，陳敏，胡瑞文上海金融人才預測需求模型的構建[J].上海商學院學報，2015，2（15）

[6]胡雪花基于灰色理論和神經網絡的人才需求預測模型[D].廣東：中山大學，2009endprint